用于压缩和去噪的协方差特征向量稀疏性

@第{Schizas2012CovarianceES条，title={压缩和去噪的协方差特征向量稀疏性}，作者＝{Ioannis D.Schizas和Georgios B.Giannakis}，journal={IEEE信号处理事务}，年份={2012}，体积={60}，pages＝{2408-2421}，url={https://api.semanticscholar.org/CorpusID:944128}}
证明了稀疏感知估计器是渐近正态的，随着训练数据数量的增加，正确识别信号子空间基支持的概率接近1。
[PDF]语义阅读器
27引文
背景引文
9
方法引文
5

本文中的数字

询问这篇论文
β
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

27引文

用于压缩和去噪的特征空间稀疏性

本文利用信号协方差矩阵特征空间的稀疏性进行压缩和去噪。降维（DR）和量化模块在许多实际中都存在…

自适应分布式稀疏矩阵分解

协方差稀疏性的新利用不需要数据模型参数的知识，而数值测试表明，新方案优于现有方案。

基于稀疏矩阵分解的分布式信息传感器识别

开发了一种新的稀疏感知矩阵分解框架，该框架可以恢复矩阵稀疏因子的支持，并允许分布式信息传感器识别，而无需数据模型参数。

二进制、稀疏和L1范数主成分分析的优化算法

这项工作表明，在所有这些问题中，如果数据矩阵的秩为常数，则可以在多项式时间内获得最优解，并提出了完全可并行且节省内存的优化算法，因此易于实现。

随机噪声中稀疏重构的信息论界

从恢复性能分析出发，计算了CS的误差概率的下界，证明了在不满足相应条件的情况下，信号矢量的完美重构是不可能的。

基于稀疏认知矩阵分解的分布式信息传感器确定

与现有方法不同，协方差稀疏性的新利用允许分布式源信息传感器识别，而无需知道数据模型参数。

在线分布式稀疏度感知的典型相关分析

研究表明，即使在非线性环境和源不重叠的情况下，配备稀疏诱导正态正则化的新型CCA框架也能够根据传感器的源内容正确地（概率为1）对传感器进行聚类。

常秩矩阵的稀疏主成分

本文证明了，如果矩阵是半正定的且秩为常数，则其稀疏主成分是多项式可计算的。

的稀疏主成分

本文证明了，如果矩阵是半正定的且秩为常数，则其稀疏主成分是多项式可计算的。

基于深度神经网络特征分量变换的水声自噪声抵消

采用深度神经网络的新方法，利用特征分量变换方法解决被动声纳系统中的自噪声抵消问题，在包含噪声数据的对角矩阵和从原始目标数据获得的更新对角矩阵之间创建映射。

45参考文献

压缩项目主成分分析

CPPCA从根本上背离了传统PCA，因为它允许在轻型编码器/重型解码器系统架构中实现其出色的降维和压缩性能。

基于正则化低秩矩阵逼近的稀疏主成分分析

小波域视觉图像的贝叶斯去噪

图像统计最著名的描述是，它们的傅里叶光谱采用幂律形式，这表明傅里叶变换是傅里叶及其相关表示的适当PCA表示，在图像处理应用中广泛使用。

高维主成分分析的一致性和稀疏性

给出了一种选择样本方差最大的坐标子集的简单算法，并证明了如果对所选子集进行主成分分析，即使p（n）≫n，也可以恢复一致性。

稀疏主成分分析的完全正则化路径

提出了一种新的半定松弛算法，并导出了一种贪婪算法，该算法可以计算出所有非零系数数的全组好解，复杂度为O（n3），其中n是变量数。

基于测地最速下降的稀疏变量PCA

提出了一种新的svPCA，它基于统计模型，可以使用一系列建模和推理工具，以及一种用于调整参数选择的新型贝叶斯信息准则（BIC）。

投影近似子空间跟踪

给出了信号子空间作为类投影无约束极小化问题的解的一种新的解释，并证明了通过适当的投影近似可以应用递归最小二乘技术来解决该问题。

稳健的主成分分析？

证明了在适当的假设下，通过求解一个非常方便的凸规划——主成分追踪，可以准确地恢复低秩和稀疏分量；在所有可行的分解中，这表明了采用原则方法进行稳健主成分分析的可能性。

稀疏Pca的半定规划直接公式

在基数受到约束的情况下，对对称矩阵最大特征值的经典变分表示进行了修正，导出了该问题的基于半定规划的松弛方法。

惩罚矩阵分解，应用于稀疏主成分和典型相关分析。

惩罚矩阵分解（PMD）是一种计算矩阵秩K近似的新框架，它建立了稀疏主成分分析的SCoTLASS方法与Zou等人（2006）方法之间的联系。