共稀疏分解表示的改进l1 信号重构方法研究.doc
约44页DOC格式手机打开展开
共稀疏分解表示的改进l1 信号重构方法研究,共稀疏分解表示的改进l1 信号重构方法研究1.5万字 44页原创作品，已通过查重系统 摘要 稀疏表示模型是当前信息科学领域中最热门的研究方向之一，在计算机视觉、模式识别、机器学习等领域具有重要的应用价值。随着人们对信息量的需求越来越大，渐渐地，压缩感知理论为人们所熟知，投入在压缩感知理论研究上的精力也越来越多。压缩感知...
内容介绍
此文档由会员 马甲线女神 发布
共稀疏分解表示的改进L1 信号重构方法研究
1.5万字 44页 原创作品，已通过查重系统
摘要 稀疏表示模型是当前信息科学领域中最热门的研究方向之一，在计算机视觉、模式识别、机器学习等领域具有重要的应用价值。随着人们对信息量的需求越来越大，渐渐地，压缩感知理论为人们所熟知，投入在压缩感知理论研究上的精力也越来越多。压缩感知是针对稀疏信号或可压缩信号，在信号采样的同时进行压缩的一种新的信息采集处理方式，其可以大大缩短采样压缩时间和数据存储空间。
稀疏表示模型，分为两个部分。第一个部分是稀疏合成模型，随着现代化技术的快速发展，信号的稀疏合成技术已无法满足人们的需求。于是，就有了第二个部分，即稀疏分解模型。针对新近提出来的稀疏分解模型，我们在迭代支持集检测思想的基础上，提出了迭代共支集检测算法（ICD）。本文在充分研究分析现有的稀疏分解模型的算法的基础上，通过总结现在的L1算法的优缺点，在保持其优点的前提下寻找新的方法来克服其缺点，以得到新算法，使我们得到的结果更精确。
具体的研究内容为：目前，我们提出了一种新型的稀疏信号的重建方法——迭代共支集检测算法(ICD)，与传统的L1优化方法相比较，该算法旨在实现快速重建和测量数量的需求减少。由于迭代支持集检测算法（ISD）地址不足，最小化重建测量失败。ICD算法从当前的重构中估计了一个共支集 ，并通过求解最小化问题 获得一个新的重构，而且，仅需很少的时间就可以完成上述两个步骤，实现该算法。ICD算法不同于ISD算法以及它的变体，因为（1）在ISD中的索引集合 不一定是嵌套的或是增加的，（2）并且在同一时间里，这个所述的最小化问题x都在组件中更新。
关键词：压缩感知 稀疏分解模型 迭代共支集检测
1.5万字 44页 原创作品，已通过查重系统
摘要 稀疏表示模型是当前信息科学领域中最热门的研究方向之一，在计算机视觉、模式识别、机器学习等领域具有重要的应用价值。随着人们对信息量的需求越来越大，渐渐地，压缩感知理论为人们所熟知，投入在压缩感知理论研究上的精力也越来越多。压缩感知是针对稀疏信号或可压缩信号，在信号采样的同时进行压缩的一种新的信息采集处理方式，其可以大大缩短采样压缩时间和数据存储空间。
稀疏表示模型，分为两个部分。第一个部分是稀疏合成模型，随着现代化技术的快速发展，信号的稀疏合成技术已无法满足人们的需求。于是，就有了第二个部分，即稀疏分解模型。针对新近提出来的稀疏分解模型，我们在迭代支持集检测思想的基础上，提出了迭代共支集检测算法（ICD）。本文在充分研究分析现有的稀疏分解模型的算法的基础上，通过总结现在的L1算法的优缺点，在保持其优点的前提下寻找新的方法来克服其缺点，以得到新算法，使我们得到的结果更精确。
具体的研究内容为：目前，我们提出了一种新型的稀疏信号的重建方法——迭代共支集检测算法(ICD)，与传统的L1优化方法相比较，该算法旨在实现快速重建和测量数量的需求减少。由于迭代支持集检测算法（ISD）地址不足，最小化重建测量失败。ICD算法从当前的重构中估计了一个共支集 ，并通过求解最小化问题 获得一个新的重构，而且，仅需很少的时间就可以完成上述两个步骤，实现该算法。ICD算法不同于ISD算法以及它的变体，因为（1）在ISD中的索引集合 不一定是嵌套的或是增加的，（2）并且在同一时间里，这个所述的最小化问题x都在组件中更新。
关键词：压缩感知 稀疏分解模型 迭代共支集检测
