A New Analysis for Support Recovery with Block Orthogonal Matching Pursuit
压缩感知（Compressed Sensing，CS）是一种能够从线性测量中精确恢复稀疏信号的信号处理技术，其测量次数远少于经典Shannon-Nyquist定理所要求的测量次数。阻塞稀疏信号，即，其非零系数出现在几个块中的稀疏信号产生于许多场。块正交匹配追踪（BOMP）算法是一种高效的块稀疏信号恢复贪心算法。BOMP算法充分利用了块稀疏信号的块稀疏性，可以获得很好的恢复性能。本文提出了一个充分条件，以确保BOMP可以准确地恢复块$K$稀疏信号的支持在噪声的情况下。这个条件比现有的条件好。
2018-11-06 cs.IT math.IT
Joint Sparsity Recovery for Spectral Compressed Sensing
压缩感知（Compressed Sensing，CS）是一种有效的方法，可以减少先验基础上重建稀疏信号所需的样本数，但可能会受到基础失配的严重影响。在本文中，我们研究的问题，同时恢复多个频谱稀疏的信号，支持在相同的频率位于任意单位圆。我们提出了一个原子范数最小化问题，它可以被看作是一个连续的对应的离散CS制定和有效地解决通过半定规划。通过数值实验，我们表明，每个信号的样本数可以进一步减少利用联合稀疏模式的多个信号。
2014-02-03 cs.IT math.IT
Spectral Compressive Sensing with Model Selection
从压缩测量中恢复频率稀疏信号的现有方法的性能受到所需稀疏字典的一致性和频率参数空间的离散化的限制。本文提出了一种基于模型选择的谱压缩感知参数联合恢复估计方法。数值实验表明，我们的方法优于大多数国家的最先进的光谱CS恢复方法在保真度，噪声容忍度和计算效率。
2014-07-12 cs.IT math.IT
Multiple Support Recovery Using Very Few Measurements Per Sample
Indian Institute of Science（印度科学学院）
在多支持恢复问题中，我们在$\mathbb{R}^{d}$中获得了多个稀疏样本的线性测量。这些样品可以被划分为$\ell$组，具有相同支持物的样品属于相同组。对于每个样本的$m$测量的给定预算，目标是在不知道组标签的情况下恢复$\ell$底层支持。我们研究这个问题的重点是测量约束的制度，其中$m$是小于每个样本的支持大小$k$。我们设计了一个两步的过程，估计工会的基础支持，然后使用谱算法来估计个人的支持。我们提出的估计器可以恢复支持与$m<k$测量每个样本，从$\tilde{O}(k^{4}\ell^{4}/m^{4})$样本。我们的保证适用于样本和测量矩阵上的一般生成模型假设。我们还提供了合成数据和MNIST数据集上进行的实验结果。
2021-05-20 cs.IT cs.LG math.IT
Modified Papoulis-Gerchberg algorithm for sparse signal recovery
受著名的Papoulis-Gerchberg算法的启发，提出了一种从少量观测值中恢复稀疏信号的迭代阈值算法。迭代的序列与阈值Landweber迭代的序列相似，尽管不相同。该算法的性能进行了实验评估，并与其他国家的最先进的方法相比。
2009-02-12 cs.IT math.IT
Accelerated Structured Alternating Projections for Robust Spectrally Sparse Signal Recovery
University of California, Los Angeles（加州大学洛杉矶分校）；Hong Kong University of Science and Technology（香港科技大学）；Southwestern University of Finance and Economics（西南财经大学）；Shenzhen University（深圳大学）
考虑由具有或不具有阻尼的$r$复正弦曲线组成的频谱稀疏信号$\boldsymbol{x}$。研究了在完全观测条件下谱稀疏信号的鲁棒恢复问题，即从$\boldsymbol{x}$和稀疏腐败向量$\boldsymbol{s}$的和$\boldsymbol{z}=\boldsymbol{x}+\boldsymbol{s}$中恢复$\boldsymbol{x}$和稀疏腐败向量$\boldsymbol{s}$。本文利用$\boldsymbol{x}$构造的Hankel矩阵的低秩性质，将该问题转化为一个低秩Hankel矩阵的鲁棒恢复问题.我们开发了一个高效的非凸算法，创造加速结构交替投影（ASAP）。ASAP的高计算效率和低空间复杂度是通过结构矩阵的快速计算和加速低秩近似的子空间投影方法来实现的。在对$\boldsymbol{x}$和$\boldsymbol{s}$的一些温和的假设下，建立了ASAP的线性收敛速度的理论恢复保证。合成和真实世界的数据的经验性能比较证实了ASAP的优势，在计算效率和鲁棒性方面。
2021-01-16 cs.IT cs.LG eess.SP
Optimal Weighted Low-rank Matrix Recovery with Subspace Prior Information
矩阵检测是从少量线性测量值重构低秩矩阵的问题。在协同滤波、著名的Netflix奖问题和地震数据插值等应用中，存在关于地面真实低秩矩阵的列和行空间的先验信息。在本文中，我们利用这种先验信息，提出了一个加权优化问题，其目标函数促进秩和先验子空间信息。利用圆锥积分几何中的最新结果，我们得到了唯一的最优权重，使所需的测量次数最小化。仿真结果证实，所提出的凸规划与最佳权重需要显着减少测量比常规核范数最小化。
2019-04-29 cs.IT math.IT
Sparse Recovery for Overcomplete Frames: Sensing Matrices and Recovery Guarantees
本章综述了过完备框架稀疏信号恢复的感知矩阵设计与解码器恢复保证，重点介绍了支持随机感知矩阵的类基追踪凸优化方法，并发表了关于框架受限等距性质的新定理。
2024-08-28 cs.IT cs.NA math.FA
Guaranteed recovery of quantum processes from few measurements
量子过程层析成像是从测量数据重建未知量子信道的任务。在这项工作中，我们介绍了基于压缩感知的方法，有利于重建的量子信道的低克劳斯秩。我们的主要贡献是分析了这项任务的自然测量模型：我们假设数据是通过将纯状态发送到通道中并测量输出上的期望值来获得的。既不需要辅助系统，也不需要跨多个信道使用的相干操作。压缩过程重建的大多数先前的结果减少了这个问题的量子态层析通道的Choi矩阵。虽然这种方法从基本上最小数量的测量中得到恢复保证，但这种方案的物理实现通常会涉及辅助系统。先验地，目前还不清楚直接针对量子过程层析成像的测量模型是否需要更多的测量。我们确定情况并非如此。从技术上讲，我们证明了三种不同的重建算法的恢复保证。重建分别基于迹线、菱形和$\ell_2$范数最小化。我们的恢复保证是统一的，在这个意义上，一个随机选择的测量设置，所有的量子信道可以恢复得同样好。此外，对任意的测量噪声和鲁棒性对侵犯的低秩假设的稳定性得到保证。数值研究表明了该方法的可行性。
2019-08-06 cs.IT math.IT quant-ph
Spectral Compressive Sensing with Polar Interpolation
频率稀疏信号的压缩感知的现有方法集中于信号恢复而不是谱估计。此外，恢复性能受到所需稀疏字典的一致性和频率参数空间的离散化的限制。在本文中，我们介绍了一个贪婪的恢复算法，利用频带排除功能和极坐标插值函数来解决这两个问题，在频谱压缩感知。我们的算法是面向压缩测量的线性谱估计，并优于大多数现有的方法在保真度和噪声的容忍度。
2013-05-21 cs.IT math.IT
Spectrally Sparse Signal Recovery via Hankel Matrix Completion with Prior Information
本文研究了利用先验信息，通过低秩Hankel矩阵完备化，从时域样本的随机子集重构谱稀疏信号的问题。利用提升域谱稀疏信号的低秩结构和信号与先验信息的相似性，提出了一种基于凸函数的欠采样谱稀疏信号恢复方法.该方法将期望信号与其先验信息在提升域的内积集成到香草Hankel矩阵完备中，最大化了信号与其先验信息之间的相关性。理论分析表明，在先验信息可靠的情况下，该方法比香草Hankel矩阵完备化方法具有更好的性能，其测量次数减少了一个对数因子。我们还开发了一个ADMM算法来解决相应的优化问题。数值结果验证了所提出的方法和相应的算法的性能。
2020-08-05 cs.IT math.IT
Tight Sufficient Conditions on Exact Sparsity Pattern Recovery
考虑一个有噪声的欠定线性方程组，其中一个稀疏向量（一个向量与几个非零元素）是受测量。测量矩阵元素是从高斯分布中提取的。我们研究了从测量向量和矩阵中精确恢复稀疏向量的信息论约束。我们计算一个紧，充分条件，适用于遍历广义平稳稀疏向量。我们比较我们的结果与现有的界限和恢复条件。最后，我们将我们的结果扩展到近似稀疏信号。
2014-06-25 cs.IT math.IT
Block Iterative Reweighted Algorithms for Super-Resolution of Spectrally Sparse Signals
我们提出了新的算法，提高了从欠采样信号中恢复未知连续值频率的性能。我们的迭代重新加权频率恢复算法采用从我们算法的早期步骤中获得的支持知识作为块先验信息来增强频率恢复。我们的方法提高了原子范数最小化的性能，这是一个有用的启发式恢复连续值的频率内容。数值结果表明，我们的块迭代重加权方法提供了更好的恢复性能和更快的速度比其他已知的方法。
2015-09-11 cs.IT math.IT
Efficient Support Recovery of Mixtures of Sparse Linear Classifiers with Fewer Measurements
Halıcıoğlu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校哈利奇奥卢数据科学研究所）
针对混合线性分类器的支持恢复问题，提出自适应与非自适应方案，在减少测量次数的同时将解码时间降至亚线性，实现更优的样本复杂度与解码效率权衡。
2026-10-05 cs.DS cs.IT cs.LG
A Unified Recovery of Structured Signals Using Atomic Norm
本文提出利用原子范数在通用框架下统一恢复结构化信号，证明凸规划在零空间性质满足时能稳定鲁棒恢复，并推导出稀疏信号和低秩矩阵的新恢复结果。
2023-11-10 cs.IT math.FA math.IT
Unlimited Sampling of Multiband Signals: Single-Channel Acquisition and Recovery
本文研究了无界采样框架下单通道多带信号的重建问题，证明了亚奈奎斯特采样的可行性，并收紧了带通信号采样定理，其恢复算法在硬件实验中实现了高达13倍的动态范围提升。
2025-10-31 cs.IT eess.SP math.IT
Achieving Autonomous Compressive Spectrum Sensing for Cognitive Radios
压缩感测（CS）技术相对于用于在认知无线电（CR）中实现宽带频谱感测的其他现有方法呈现出许多优点，诸如降低的采样率和计算复杂性。然而，存在两个显著的挑战：1）选择适当数量的子奈奎斯特测量，以及2）决定何时终止重建宽带频谱的贪婪恢复算法。在本文中，自主压缩频谱感知（ACSS）框架，使CR自动选择测量的数量，同时保证宽带频谱恢复与一个小的可预测的恢复误差。这是实现所提出的测量基础设施和验证技术。该算法在无噪声和有噪声环境下都能利用较小的测试子集得到高置信度的谱估计。此外，一个稀疏意识的频谱恢复算法，提出了恢复宽带频谱，而不需要的瞬时频谱稀疏水平的知识。这种算法弥补了CS理论和实际频谱感知之间的差距。仿真结果表明，ACSS不仅可以恢复频谱使用适当数量的测量，但也可以显着提高频谱恢复性能相比，现有的CS方法。该算法可以自主选择合适的迭代次数，从而解决了贪婪恢复算法中普遍存在的欠拟合和过拟合问题。
2015-02-20 cs.IT math.IT
Compressed sensing in Hilbert spaces
在许多线性逆问题中，我们希望从几个线性测量中估计属于高维（或无限维）空间的未知向量。为了克服这些问题的不适定性，我们对未知向量使用低维假设：它属于低维模型集。问题是，是否有可能恢复这样一个未知的矢量从几个测量，然后出现。如果答案是肯定的，那么能够描述执行这种恢复的方法也很重要。我们描述了一个一般的框架，适当选择的随机测量保证恢复是可能的。我们进一步描述了一种方法来研究恢复方法的性能，包括在数据拟合约束下的正则化函数的最小化。
2017-07-17 cs.IT math.IT
A Fast Noniterative Algorithm for Compressive Sensing Using Binary Measurement Matrices
The University of Texas at Dallas（得克萨斯大学达拉斯分校）
在本文中，我们提出了一种新的压缩感知算法，利用二进制测量矩阵，并实现了超稀疏向量的精确恢复，在一个单一的通道，没有任何迭代。由于它的非迭代性质，我们的算法是数百倍的速度比$\ell_1$范数最小化，和方法的基础上扩展图，这两个都需要多次迭代。我们的算法可以容纳几乎稀疏的向量，在这种情况下，它恢复索引集的最大组件，也可以容纳突发噪声测量。与保证实现所有稀疏向量的精确恢复的压缩感知方法相比，我们的方法需要更少的测量。然而，实现统计恢复的方法，即恢复几乎所有但不是所有的稀疏向量，可能需要比我们的方法更少的测量。
2018-05-21 cs.IT cs.LG math.IT
Recovery Analysis for Weighted $\ell_1$-Minimization Using a Null Space Property
我们研究的稀疏信号欠定线性测量时，一个潜在的错误的支持估计的恢复。我们的结果是双重的。首先，我们推导出必要和充分条件，从压缩采样测量使用加权$\ell_1$范数最小化信号恢复。这些条件取决于权重的选择以及支持度估计的大小和精度，它们位于测量矩阵的零空间上。即使标准$\ell_1$最小化失败，它们也能保证恢复。其次，我们推导出满足这些条件的高斯测量的数量的界限，即，用于加权的$\ell_1$最小化，以成功地恢复其支持已经被足够准确地估计的所有稀疏信号。我们的界限表明，加权$\ell_1$最小化需要显着较少的测量比标准的$\ell_1$最小化时，支持估计是相对准确的。
2014-12-04 cs.IT math.IT
A Convex Relaxation Approach to Higher-Order Statistical Approaches to Signal Recovery
在这项工作中，我们研究了一个有效的数值方法解决高阶统计方法的盲和半盲信号恢复从非理想信道。我们开发了基于凸优化松弛的高阶统计成本函数最小化的数值算法。通过凸松弛的新配方克服了现有的梯度下降算法的局部收敛问题，并适用于几个著名的成本函数有效的盲信号恢复，包括盲均衡和盲声源分离在单输入单输出（SISO）和多输入多输出（MIMO）系统。我们还提出了一个基于四阶导频的成本函数，受益于这种方法。仿真结果表明，我们的方法是适合于短长度的分组数据传输，只有几个导频符号。
2016-03-12 cs.IT math.IT
Exact Dimensionality Reduction for Partial Line Spectra Estimation Problems
线性谱估计理论的目标是以最佳精度估计时间信号的离网谱分量。最近的研究结果表明，它是可能的，通过使用凸规划恢复信号稀疏线频谱从几个时间观测。然而，这种方法的计算成本仍然是其应用于实际系统的主要缺陷。本文研究了从低维部分测量中恢复谱稀疏信号的问题。本文的第一部分证明，在对子采样矩阵作较轻的假设下，部分谱估计问题可化为一个低维半定规划。证明技术依赖于一个新的扩展的革兰参数化的三角多项式的子空间。本文的第二部分着重分析了两种特殊的子采样模式：多速率采样和随机选择采样。结果表明，这些采样模式保证完美的恢复线频谱，并重建可以实现在一个多对数时间相对于完整的观察情况。此外，这种采样模式的次奈奎斯特恢复能力突出。在此框架下，采用原子软阈值方法估计噪声环境下的稀疏谱，并提出了一种可扩展的分辨率算法。
2017-01-30 cs.IT math.IT
Improving Imprecise Compressive Sensing Models
压缩感知（CS）中的随机采样使得能够以有效的方式压缩大量输入信号，这对于许多应用是有用的。当输入数据可以用几个分量稀疏表示时，CS以压倒性的概率精确地重构压缩信号。然而，包括随机采样在内的CS框架理论一直专注于信号的精确恢复，而忽略了信号恢复中的不精确性。当稀疏分量的数量存在不确定性时，这可能是有问题的，例如动态系统中的信号稀疏度可能随时间而变化。我们提出了一个新的理论框架，从恢复成功和质量的角度处理信号恢复中的不确定性。我们表明，在我们的模型中的信号恢复成功比CS框架中的成功概率分析更准确。我们的模型，然后扩展到信号恢复的成功或失败的情况下，可以放松。我们代表的组件的数量包括在信号恢复与右尾分布，并专注于恢复质量。实验结果证实了我们的模型在动态系统中的准确性。
2016-03-20 cs.IT math.IT
Sparse Recovery from Combined Fusion Frame Measurements
稀疏表示已经成为信号和信息处理中的一个强大工具，随着新的采集和处理技术（如压缩感知（CS））的成功而达到顶峰。融合框架是一种非常丰富的新的信号表示方法，它使用子空间的集合而不是向量来表示信号。这项工作结合这些令人兴奋的领域，介绍了一种新的稀疏模型融合帧。在新模型下稀疏的信号可以被压缩采样并以类似于使用标准CS的稀疏信号的方式唯一地重构。该组合提供了一组有前途的新的数学工具和信号模型，可用于各种应用。利用新模型，稀疏信号在融合帧的非常少的子空间中具有能量，尽管它不需要在它占据的每个子空间内都是稀疏的。该稀疏模型使用融合帧的混合l1/l2范数来捕获。融合帧中的信号稀疏可以使用非常少的随机投影来采样，并且使用最小化该混合l1/l2范数的凸优化来精确地重建。所提供的采样条件推广了标准CS理论中使用的相干性和RIP条件。结果表明，它们足以保证稀疏恢复的任何信号稀疏在我们的模型。此外，使用稀疏信号的随机模型，表明在非常温和的条件下，恢复失败的概率随子空间的维数增加呈指数衰减的概率分析。
2011-06-17 cs.IT math.IT
Spectral Estimators for Multi-Index Models: Precise Asymptotics and Optimal Weak Recovery
Institute of Science and Technology Austria（奥地利科学与技术研究院）
本文研究多指标模型中的信号子空间恢复问题，通过精确刻画谱矩阵前p个特征值与特征向量重叠的渐近行为及相变，确定实现最优弱恢复、样本需求最小的谱估计量。
2025-06-10 cs.IT cs.LG math.IT
On $q$-ratio CMSV for sparse recovery
稀疏恢复的目的是从非常少的噪声非相干线性测量中重建未知的稀疏或近似稀疏的信号。作为测量矩阵的一种可计算的非相干性度量，周和余$q$提出了比率约束的最小奇异值（CMSV）算法，用于推导稀疏恢复的性能界.本文研究了$q$ -ratio CMSV的几何性质，在此基础上建立了同时考虑稀疏缺陷和测量误差的信号恢复的新的充分条件。给出了测量矩阵的$\ell_1$ -截断集$q$ -宽度作为$q$ -比率CMSV的几何表征。此外，我们还证明了，只要测量数足够大，一类结构随机矩阵的$q$比CMSV以很高的概率远离零有界，从而满足所建立的充分条件.总之，我们的结果将Zhang和Cheng的\cite{zc}的结果从$q=2$推广到任何$q\in(1,\infty]$，并从几何角度补充了$q$ -比率CMSV的论点.
2018-05-31 cs.IT math.IT
Using Correlated Subset Structure for Compressive Sensing Recovery
Alcatel-Lucent（阿尔卡特朗讯）
本文提出一种利用感知矩阵列间相关子集结构的压缩感知恢复算法，并给出了算法原理和实验比较。
2013-06-10 cs.IT cs.NA math.IT
Heavy-Ball-Based Hard Thresholding Algorithms for Sparse Signal Recovery
硬阈值技术在稀疏信号恢复算法的发展中起着至关重要的作用。将该方法与传统梯度下降方法的多步扩展重球加速方法相结合，提出了基于重球的硬阈值追踪（HBHT）和基于重球的硬阈值追踪（HBHTP）算法。结果表明，当测量矩阵的约束等距常数分别满足$δ_{3k}<0.618 $和$δ_{3k}<0.577,$时，HBHT和HBHTP可以成功地恢复$k$稀疏信号. HBHT和HBHTP的保证成功也分别在条件$δ_{2k}<0.356$和$δ_{2k}<0.377,$下显示。此外，本文还证明了这两个算法的有限收敛性和稳定性.随机问题的情况下进行模拟，比较所提出的算法和几个现有的性能。实验结果表明，HBHTP的性能非常接近于现有的几种算法，它需要更少的平均时间来实现信号恢复比这些现有的方法。
2022-04-20 cs.IT math.IT
On the ISAR Image Analysis and Recovery with Unavailable or Heavily Corrupted Data
普通的ISAR雷达图像和信号可以从比采样定理要求的少得多的样本中重建，因为它们通常是稀疏的。不可用的随机定位的样本可能由信号的严重损坏部分导致。由于这些样本可以被省略并声明为不可用，因此压缩感知方法在严重损坏的信号和雷达图像的恢复中的应用是可能的。本文介绍了一种简单直接的ISAR图像恢复方法，该方法可以恢复不可用信号样本，并计算出恢复后的ISAR图像。分析了噪声的影响。对于快速机动的ISAR目标，由于ISAR图像的模糊性，稀疏性丧失。提出了一种基于非参数二次时频表示的ISAR图像稀疏性恢复方法。然而，信号和稀疏域变换之间的线性关系丢失。最近提出的梯度恢复算法适用于这种分析。在不可用数据恢复过程中，不需要信号的线性关系及其稀疏域变换。所提出的方法和结果进行了测试，几个数值例子证明预期的精度和改进。
2014-06-01 cs.IT math.IT
Fundamental Limits of Weak Recovery with Applications to Phase Retrieval
在相位恢复中，我们希望从形式为$y_i = |\langle{\boldsymbol a}_i,{\boldsymbol x}\rangle|^2+w_i$的$n$二次测量中恢复未知信号$\boldsymbol x\in\mathbb C^d$，其中$\boldsymbol a_i\in \mathbb C^d$是已知的感测向量，而$w_i$是测量噪声。我们提出以下弱恢复问题：产生与信号$\boldsymbol x$正相关的估计量$\hat{\boldsymbol x}(\boldsymbol y)$所需的测量$n$的最小数量是多少？我们考虑高斯向量$\boldsymbol a_i$的情况。我们证明，-在高维极限-急剧的相变发生，我们定位在制度的阈值消失的小噪音。对于$n\le d-o(d)$，没有估计量可以做得比随机更好，并实现严格的正相关。对于$n\ge d+o(d)$，简单的谱估计器实现正相关。令人惊讶的是，相同的频谱估计的数值模拟表现出有前途的性能与现实的传感矩阵。谱方法用于初始化相位恢复中的非凸优化算法，并且我们的方法也可以在这种设置下提高性能。我们的不可能性结果是基于经典的信息论的论点。谱算法计算加权经验协方差矩阵的前导特征向量。我们得到了一个尖锐的表征，这个随机矩阵的谱性质的工具，从自由概率和推广最近的结果由陆和李。上限和下限都将相位恢复推广到根据广义线性模型产生的测…
2018-07-26 cs.IT math.IT stat.ML
Guaranteed sparse signal recovery with highly coherent sensing matrices
Claremont McKenna College（克莱蒙特麦肯纳学院）；Alcatel-Lucent（阿尔卡特朗讯）
本文提出PartInv算法，解决高相干感知矩阵下的稀疏信号恢复问题，提供理论支持和实证比较。
2014-04-01 cs.IT cs.NA math.IT
Recovery of Sparse Signals Using Multiple Orthogonal Least Squares
Rutgers, The State University of New Jersey（罗格斯，新泽西州立大学）
我们研究了从压缩的线性测量中恢复稀疏信号的问题。这个问题，通常被称为稀疏恢复或稀疏重建，近年来产生了很大的兴趣。为了恢复稀疏信号，我们提出了一种新的方法，称为多个正交最小二乘（MOLS），它扩展了著名的正交最小二乘（OLS）算法，允许多个$L$指数选择每次迭代。由于在每次选择中包含多个支持度指标，MOLS算法在更少的迭代次数内收敛，并提高了传统OLS算法的计算效率。理论分析表明，如果测量矩阵满足等距常数为$δ_{LK} < \frac{\sqrt{L}}{\sqrt{K} + 2 \sqrt{L}}.$的限制等距性质（RIP），则MOLS（$L > 1$）在$K$迭代内可以精确恢复所有$K$稀疏信号。结果表明，当信噪比与输入信号的稀疏程度成线性关系时，MOLS算法可以实现稀疏信号的稳定恢复。
2015-12-31 cs.IT cs.LG math.IT
Noisy Signal Recovery via Iterative Reweighted L1-Minimization
University of California, Davis（加州大学戴维斯分校）
本文分析含噪情况下的迭代重加权L1最小化方法，并证明其误差界优于标准L1最小化方法。
2009-04-24 cs.IT cs.NA math.IT
