科萨普

CoSaMP:从不完整和不准确的样本中进行迭代信号恢复。压缩采样为获得相对于正交基可压缩的信号提供了一种新的范式。压缩采样的主要算法挑战是从噪声样本中逼近可压缩信号。本文描述了一种新的迭代恢复算法CoSaMP,它提供了与基于最佳优化的方法相同的保证。此外,该算法对计算量和存储量有严格的限制。它对于实际问题可能是非常有效的,因为它只需要矩阵向量与采样矩阵相乘。对于可压缩信号,运行时间仅为$O(Nlog^{2}N)$,其中$N$是信号的长度。


zbMATH参考文献(194篇文章引用)

显示194的结果1到20。
按年份排序(引用)

1 2 ... 8 9 10 下一个

  1. Blanchard,Jeffrey D.;Leedy,Caleb;Wu,Yimin:关于联合稀疏恢复的等级意识、阈值和音乐(2020)
  2. Casazza,Peter G.;Chen,Xuemei;Lynch,Richard G.:在亚高斯映射下保持注入性及其在压缩感知中的应用(2020)
  3. 程万友;陈子欣;胡庆杰:一种基于主动集的Barzilar-Borwein算法的正则化优化(2020)
  4. Dupé,François Xavier;Anthonine,Sandrine:广义贪婪替代方案(2020)
  5. Haddou,M.;Migot,T.:凸集上稀疏优化的平滑方法(2020)
  6. Li,Song;Lin,Junhong;Liu,Dekai;Sun,文昌:用于压缩数据分离的迭代硬阈值法(2020)
  7. 蒂勒,汤姆;吉瑞斯,拉贾:从低维线性子空间的联合信号泛化CoSaMP(2020)
  8. 童凤华;李立祥;彭海鹏;杨义贤:稀疏二元测量矩阵火花的有效算法(2020)
  9. 王军;王星涛:用(\ell iu 0)拟态近似重构稀疏信号(2020)
  10. 赵云斌:稀疏优化问题的最优(k)-阈值算法(2020)
  11. Simon Arridge;Maass,Peter;Ozan,Ozan;Schönlieb,Carola Bibiane:使用数据驱动模型求解反问题(2019年)
  12. Barbara,Abdesmad;Jourani,Abderahim;Vaiter,Samuel:稀疏分析正则化的最大解(2019)
  13. 卡尔德班克,罗伯特;汉森,安德斯;罗曼,博格丹;塞辛,劳拉:从二进制测量重构函数(2019)
  14. Choe,Chol-Guk;Rim,Myong Gil;Ryang,Ji Song:通过通用双基分析Dantzig selector使用一般框架进行稀疏恢复(2019)
  15. Feng,Joe Mei;Krahmer,Felix;Saab,Rayan:随机循环矩阵的量化压缩感知(2019)
  16. Fukshansky,Lenny;Needell,Deanna;Sudakov,Benny:整数稀疏恢复的代数视角(2019)
  17. 耿鹏波;陈文谷;葛焕民:正交最小二乘摄动分析(2019)
  18. Geppert,Jakob;Krahmer,Felix;Stöger,Dominik:稀疏幂分解:平衡峰值和样本复杂性(2019)
  19. Wolfgang,2019年用样条线表示声学问题
  20. Manohar,Krithika;Kaiser,Eurika;Brunton,Steven L.;Kutz,J.Nathan:多尺度动力学的优化采样(2019年)

1 2 ... 8 9 10 下一个