×

多测量向量的随机贪婪算法。 (英语) Zbl 1516.94014号

摘要:单一测量矢量(SMV)的稀疏表示已在多种压缩传感应用中进行了探索。最近,SMV模型被扩展用于解决多测量向量(MMV)问题,其中假设基础信号具有联合稀疏结构。为了避免最小化问题的NP-hardness,许多确定性MMV算法以有限的效率求解凸松弛模型。本文提出了求解联合稀疏MMV重建问题的随机贪婪算法。特别地,我们提出了MMV随机迭代硬阈值(MStoIHT)和MMV随机梯度匹配追踪(MStoGradMP)算法,并且我们还利用了最小间隔技术来进一步提高它们的性能。收敛性分析表明,在一定条件下,所提出的算法能够比其对应的SMV算法(即级联StoIHT和StoGradMP)更快地收敛。数值实验表明,与SMV算法相比,该算法具有更高的效率。

MSC公司:

94甲12 信号理论(表征、重建、滤波等)
47N10号 算子理论在最优化、凸分析、数学规划、经济学中的应用
65千5 数值数学规划方法
90立方厘米 随机规划

软件:

CoSaMP公司
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] A.Agarwal、S.Negahban和M.J.Wainwright,高维统计恢复梯度方法的快速全局收敛速度,安。统计师。, 40 (2012), 2452-2482. ·兹比尔1373.62244
[2] 亚哈龙先生;M.Elad;A.Bruckstein,K-SVD:设计稀疏表示超完备字典的算法,IEEE信号处理学报,54,4311-4322(2006)·Zbl 1375.94040号 ·doi:10.1109/TSP.2006.881199
[3] D.Baron;M.B.Wakin;M.F.Duarte;S.Sarvotham;R.G.Baraniuk,分布式压缩感知,IEEE信息理论汇刊,525406-5425(2006)
[4] J.A.Bazerque;G.B.Giannakis,利用稀疏性实现认知无线电网络的分布式频谱感知,IEEE信号处理汇刊,581847-1862(2010)·Zbl 1392.94010号 ·doi:10.1109/TSP.2009.2038417
[5] J.D.Blanchard;M.Cermak;D.Hanle;Y.Jing,联合稀疏恢复的贪婪算法,IEEE信号处理学报,621694-1704(2014)·Zbl 1394.94082号 ·doi:10.1109/TSP.2014.2301980
[6] J.D.Blanchard;J.Tanner;K.Wei,CGIHT:用于压缩感知和矩阵完成的共轭梯度迭代硬阈值,信息和推断:IMA杂志,4289-327(2015)·Zbl 1380.94045号 ·doi:10.1093/imaiai/iav011
[7] T.Blumensath;M.E.Davies,压缩传感的迭代硬阈值,应用和计算谐波分析,27,265-274(2009)·Zbl 1174.94008号 ·doi:10.1016/j.acha.2009.04.002
[8] T.Blumensath;M.E.Davies,标准化迭代硬阈值:保证稳定性和性能,IEEE信号处理主题选刊,4298-309(2010)·doi:10.1109/JSTSP.2010.2042411
[9] R.Burden和J.Faires,数值分析《Cengage Learning》,2004年。
[10] J.Chen;X.Huo,多重测量向量稀疏表示的理论结果,IEEE信号处理学报,54,4634-4643(2006)·Zbl 1375.94051号 ·文件编号:10.1109/TSP.2006.881263
[11] S.F.科特;B.D.Rao;K.Engan;K.Kreutz-Delgado,多测量向量线性反问题的稀疏解,IEEE信号处理学报,532477-2488(2005)·Zbl 1372.65123号 ·doi:10.1109/TSP.2005.849172
[12] 戴伟;O.Milenkovic,压缩传感信号重建的子空间追求,IEEE信息理论汇刊,552230-2249(2009)·Zbl 1367.94082号 ·doi:10.1109/TIT.2009.2016006
[13] M.E.Davies;Y.C.Eldar,联合稀疏恢复中的秩感知,IEEE信息理论汇刊,581135-1146(2012)·Zbl 1365.94175号 ·doi:10.1109/TIT.2011.2173722
[14] D.L.Donoho,无条件基是数据压缩和统计估计的最佳基,应用和计算谐波分析,1100-115(1993)·Zbl 0796.62083号 ·doi:10.1006/acha.1993.1008
[15] N.Durgin,C.Huang,R.Grofeer,S.Li,A.Ma,D.Needell和J.Qin,联合稀疏性快速高光谱漫反射光学成像方法第41届IEEE医学工程国际年会&生物学会(EMBC), 2019. ·Zbl 1420.62307号
[16] M.Elad,稀疏和冗余表示从理论到信号和图像处理应用施普林格出版社,2010年·Zbl 1211.94001号
[17] P.Feng和Y.Bresler,多波段信号的谱盲最小速率采样和重建声学、语音和信号处理(ICASSP),1996年IEEE国际会议第3卷,IEEE,1996年,1688-1691。
[18] S.Foucart,《硬阈值追踪:压缩传感算法》,SIAM数值分析杂志,49,2543-2563(2011)·兹比尔1242.65060 ·数字对象标识代码:10.1137/100806278
[19] S.Foucart和H.Rauhut,压缩传感的数学导论第1卷,Birkhäuser/Springer,纽约,2013年·Zbl 1315.94002号
[20] R.Giryes;南苏丹;M.Elad;R.Gribonval;M.E.Davies,共解析分析模型的贪婪算法,线性代数及其应用,441,22-60(2014)·Zbl 1332.94043号 ·doi:10.1016/j.laa.2013.03.004
[21] Z.He,A.Cichocki,R.Zdunk和J.Cao,CG-M-FOCUSS及其在分布式压缩传感中的应用国际神经网络研讨会,施普林格,2008237-245。
[22] Z.Jian,F.Yuli,Z.Qiheng,L.Haifeng,多测量向量问题的分裂bregman算法,Multidim系统签名过程. ·Zbl 1349.94098号
[23] J.M.Kim;O.K.Lee;J.C.Ye,《压缩MUSIC:重新审视压缩传感和阵列信号处理之间的联系》,IEEE信息理论汇刊,58278-301(2012)·Zbl 1365.94079号 ·doi:10.1109/TIT.2011.2171529
[24] K.Lee;Y.Bresler;M.Junge,联合稀疏恢复的子空间方法,IEEE信息理论汇刊,583613-3641(2012)·Zbl 1365.94179号 ·doi:10.1109/TIT.2012.2189196
[25] S.Li;D.杨;G.唐;M.B.Wakin,随机和压缩样本模态分析的原子范数最小化,IEEE信号处理汇刊,661817-1831(2018)·Zbl 1414.94352号 ·doi:10.1109/TSP.2018.2793907
[26] H.Lu,X.Long和J.Lv,基于交替方向法的联合稀疏向量恢复快速算法第十四届国际人工智能与统计会议记录, 2011,461-469. ·兹比尔1412.94059
[27] J.R.Magnus,《关于矩阵导数的概念》,《多元分析杂志》,1012200-2206(2010)·Zbl 1196.15025号 ·doi:10.1016/j.jmva.2010.05.005
[28] A.Majumdar;R.Ward,多通道MR图像的群体解析恢复中的等级意识,Sensors,13902-3921(2013)·数字对象标识代码:10.3390/s130303902
[29] A.Majumdar;R.K.Ward,使用相关稀疏性联合重建多回波mr图像,磁共振成像,29899-906(2011)·doi:10.1016/j.mri.2011.03.008
[30] A.Majumdar和R.K.Ward,视频人脸识别:MMV恢复方法,in声学、语音和信号处理(ICASSP),2012年IEEE国际会议IEEE,2012年,2221-2224。
[31] 米沙利;Y.C.Eldar,Reduce and boost:恢复任意集合的联合稀疏向量,IEEE信号处理汇刊,564692-4702(2008)·Zbl 1390.94306号 ·doi:10.1109/TSP.2008.927802
[32] D.尼德尔;J.A.Tropp,CoSaMP:从不完整和不准确的样本中进行迭代信号恢复,应用和计算谐波分析,26301-321(2009)·Zbl 1163.94003号 ·doi:10.1016/j.acha.2008.07.002
[33] D.尼德尔;R.Vershynin,通过正则化正交匹配追踪从不完整和不准确测量中恢复信号,IEEE信号处理选定主题期刊,4310-316(2010)·doi:10.1109/JSTSP.2010.2042412
[34] D.Needell和R.Ward,带加权抽样的成批随机梯度下降,in国际会议近似理论斯普林格,2016279-306·Zbl 1385.65041号
[35] N.Nguyen,D.Needell和T.Woolf,稀疏约束随机迭代贪婪算法的线性收敛,IEEE信息理论汇刊, 63 (2017), 6869-6895. ·Zbl 1390.94326号
[36] N.Nguyen、S.Chin和T.Tran,稀疏约束优化的统一迭代贪婪算法, 2012.
[37] Y.C.Pati,R.Rezaiifar和P.S.Krishnaprasad,《正交匹配追踪:递归函数逼近及其在小波分解中的应用》第27届Asilomar信号、系统和计算机会议记录IEEE,1993年,第40-44页。
[38] R.Schmidt,多发射极位置和信号参数估计,IEEE天线和传播汇刊,34,276-280(1986)·doi:10.10109/TAP.1986.1143830
[39] J.A.Tropp,贪婪是好的:稀疏近似的算法结果,IEEE信息论汇刊,5022231-2242(2004)·Zbl 1288.94019号 ·doi:10.1109/TIT.2004.834793
[40] J.A.Tropp;A.C.吉尔伯特;M.J.Strauss,同步稀疏近似算法。第一部分:贪婪追求,信号处理,86,572-588(2006)·兹比尔1163.94396 ·doi:10.1016/j.sigpro.2005.05.030
[41] X.-T.Yuan,P.Li和T.Zhang,稀疏约束优化的梯度硬阈值追求机器学习国际会议, 2014,127-135.
[42] T.Zhang,RIP下具有正交匹配追踪的稀疏恢复,IEEE信息理论汇刊,576215-6221(2011)·Zbl 1365.94091号 ·doi:10.1109/TIT.2011.2162263
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。