基于奇异值分解的测量矩阵优化OA北大核心CSCDCSTPCD
Optimized Measurement Matrix Based on Singular Value Decomposition
针对压缩感知理论中通用的测量矩阵(如随机高斯、伯努利等)不具有最优性能保证的问题,通过引入奇异值分解,提出基于奇异值分解的测量矩阵优化方法.该方法先对压缩感知中一般线性测量模型中的测量矩阵与测量向量进行优化,再利用优化后的测量矩阵与测量向量重建原稀疏信号.经典的随机高斯测量矩阵和伯努利测量矩阵的数值实验结果表明,本文提出的方法可以显著地提高重建成功恢复概率以及对高斯噪声的鲁棒性.该方法适用于一般线性测量系统,成功地实现了测量矩阵和重建矩阵的分离,…查看全部>>
张成;欧书琴;沈川;韦穗;韩超;夏云
安徽大学 计算智能与信号处理教育部重点实验室,安徽 合肥 230039安徽省现代成像与显示技术重点实验室,安徽 合肥 230039安徽轻工业技师学院,安徽 合肥 230601安徽大学 计算智能与信号处理教育部重点实验室,安徽 合肥 230039安徽大学 计算智能与信号处理教育部重点实验室,安徽 合肥 230039安徽工程大学 电气工程学院,安徽 芜湖 241000
电子信息工程
压缩感知稀疏性测量矩阵重建矩阵奇异值分解
compressive sensingsparsitymeasurement matrixreconstruction matrixsingular value decomposition
《四川大学学报（工程科学版）》 2016 (3)
基于随机相位调制的自然场景压缩成像方法与实现研究
136-141,6
NSFC-广东联合基金资助项目(U1201255)国家自然科学基金资助项目(613012966137700661501001)安徽省自然科学基金资助项目(1508085MF1211608085QF161)安徽省教育厅重点项目资助(KJ2015A114)安徽大学博士科研启动经费资助项目(33190218)
评论