CN104734727B - 一种保持测量矩阵相关性不变的扩展方法 - Google Patents

一种保持测量矩阵相关性不变的扩展方法 Download PDF

Info

Publication number
CN104734727B
CN104734727B CN201510180282.2A CN201510180282A CN104734727B CN 104734727 B CN104734727 B CN 104734727B CN 201510180282 A CN201510180282 A CN 201510180282A CN 104734727 B CN104734727 B CN 104734727B
Authority
CN
China
Prior art keywords
matrix
columns
phi
measurement matrix
column
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510180282.2A
Other languages
English (en)
Other versions
CN104734727A (zh
Inventor
刘任任
李玉龙
李哲涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201510180282.2A priority Critical patent/CN104734727B/zh
Publication of CN104734727A publication Critical patent/CN104734727A/zh
Application granted granted Critical
Publication of CN104734727B publication Critical patent/CN104734727B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Complex Calculations (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种保持测量矩阵相关性不变的扩展方法。其步骤为:首先,输入矩阵以及测量矩阵的列数,并生成零矩阵,其中,并将矩阵赋值给目标测量矩阵的前k列;然后,计算测量矩阵列的最大列相关性,并从测量矩阵的前列中任选列组成方阵并求逆得到方阵;最后,取方阵中与测量矩阵列相关性小于的列向量扩展入测量矩阵的第列中,并令,迭代以上步骤直至达到目标测量矩阵。相对于相同大小的测量矩阵,本发明扩展的测量矩阵具有较好的压缩率和重构效果的特点。

Description

一种保持测量矩阵相关性不变的扩展方法
技术领域
本发明涉及信号处理领域,更具体的涉及一种保持测量矩阵相关性不变的扩展方法。
背景技术
近年来,新兴的压缩感知(Compressed Sensing,CS)理论为数据采集技术带来了革命性的突破。压缩感知的基本思想是利用具有一定特征的测量矩阵将高维稀疏信号投影到一个低维空间,进行压缩采样,然后通过重构算法实现原始信号的恢复。压缩感知的研究主要包括三个方面:一是高维信号的稀疏表示,二是测量矩阵的选择和构造,三是重构算法的设计。
能否成功的重构原始信号,很大程度取决于测量值是否包含了重构信号所需的足够信息量。通常,根据原始信号的特点,其稀疏字典基的选择相对固定。由此,压缩传感理论的成功与否很大程度上依赖于测量矩阵。因此,在压缩感知理论中,测量矩阵不仅对原始信号的压缩采样过程有着重要的影响,也间接影响重构效果的好坏和重构速率的快慢。
测量矩阵与重构误差存在着直接联系,在重构算法不变的情况下,测量矩阵的性能越好,重构信号与原始信号的误差越小。测量矩阵的非线性列相关性和自适应性影响重构算法的精度,测量矩阵列相关性越低,矩阵元素的稀疏度越好,重构信号越精确。
因此,构造一个高性能的测量矩阵的关键在于使测量矩阵的列相关性总体较小。传统的随机测量矩阵,随着列与行的比值增加,列相关性不断增大,导致测量矩阵性能变差,严重影响到压缩率和重构效果。针对如何确保测量矩阵性能即列相关性总体不变的技术难题,目前尚没有合适的解决方案。
发明内容
针对上述问题,本发明的目的在于,提出一种保持测量矩阵列相关性不变的扩展方法。以行列数较少的矩阵为基础,从中任选n列生成一个方阵并求逆;选择方阵中所有能保证测量矩阵最大列相关性不变的列扩展入测量矩阵,这不仅能有效保证测量矩阵的最大列相关性不随测量矩阵列数的增加而增大,而且能保证测量矩阵的良好性能,从而保证较好的压缩率和重构效果。
本发明步骤为:首先,输入矩阵A以及测量矩阵的列数N,并生成n×N维零矩阵,其中,A∈Rn×k,n<<k<N,并将矩阵A赋值给目标测量矩阵Φ的前k列;然后,计算测量矩阵Φ前k列的最大列相关性μmax{Φ},并从测量矩阵Φ的前k列中任选n列组成方阵并求逆得到方阵D;最后,取方阵D中与测量矩阵Φ列相关性小于μmax{Φ}的列扩展入测量矩阵Φ的第k+1列中,并令k=k+1,迭代以上步骤直至达到目标测量矩阵。
本发明的具体步骤如下:
步骤一输入矩阵A和目标测量矩阵的列数N,其中A∈Rn×k,n<<k<N;
步骤二生成n×N维零矩阵,,并将矩阵A赋值给目标测量矩阵Φ的前k列;
步骤三计算测量矩阵Φ前k列的最大列相关性:μmax{Φ}=μef{Φ},其中e、f表示测量矩阵Φ中列相关性最大的两列,1≤e、f≤k;
步骤四从测量矩阵Φ的前k列中任选n列组成方阵B,其中B∈Rn×n,并求逆得到方阵D,即D=B-1,其中D∈Rn×n
步骤五当不等式min1≤h≤k(‖Φh2)·‖Di2≥max1≤h≤k(‖Φh2)2成立时,转步骤六;否则,转步骤十;其中,‖Di2表示方阵D第i(1≤i≤n)列的二范数,min1≤h≤k(‖Φh2)表示测量矩阵Φ的前k列中最小的二范数,max1≤h≤k(‖Φh2)表示测量矩阵Φ的前k列中最大的二范数;
步骤六当不等式成立时,转步骤七;否则,转步骤十;其中,Di表示方阵D的第i列,Φj、Φe、Φf分别表示测量矩阵Φ的第j、e、f列,1≤j、e、f≤k;
步骤七当j=k时,转步骤八;否则,j=j+1,转步骤六;
步骤八取k=k+1,并将Di赋值给Φk,Φk=Di;
步骤九当k=N时,转步骤十一;否则,转步骤十;
步骤十当i=n时,转步骤四;否则,转步骤五;
步骤十一结束。
与现有测量矩阵构造方法相比,本发明的优点在于:
本发明以列相关性小的矩阵为基础,在保证列相关性不变的前提下,选择满足条件的列向量扩展入测量矩阵,从而使得测量矩阵的列相关性小,保证测量矩阵的良好性能,并提高压缩率和重构效果。
附图说明
图1是一种保持测量矩阵相关性不变的扩展方法的流程图。
具体实施方法
本发明设计了一种保持测量矩阵相关性不变的扩展方法,结合图1,扩展方法的具体实施方法如下:
步骤一输入矩阵A和目标测量矩阵的列数N,其中A∈Rn×k,n<<k<N。
步骤二生成n×N维零矩阵,并将矩阵A赋值给目标测量矩阵Φ的前k列,具体步骤如下:
1)、生成n×N维零矩阵:
2)、令Q∈Rn×(N-k)为零矩阵,将矩阵A赋值给目标测量矩阵Φ的前k列:
Φn×k=An×k (1)
Φ=[A Q] (2)
步骤三计算测量矩阵Φ前k列的最大列相关性:μmax{Φ}=μef{Φ},其中e、f表示测量矩阵Φ中列相关性最大的两列,1≤e、f≤k,具体步骤如下:
1)、根据公式(3)计算测量矩阵Φ前k列的最大列相关性:
2)、记测量矩阵Φ中列相关性最大的两列为第e列和第f列,则:
步骤四从测量矩阵Φ的前k列中任选n列组成方阵B,其中B∈Rn×n,并求逆得到方阵D,即D=B-1,其中D∈Rn×n
将方阵D的第i列扩展至测量矩阵Φ中且最大列相关性保持不变的充要条件是:Di与Φ中前k列的列相关性均小于μmax{Φ};
满足公式(5)的充分条件是同时满足下列两式:
min1≤h≤k(‖Φh2)·‖Di2≥max1≤h≤k(‖Φh2)2 (6)
其中,‖Di2表示方阵D第i(1≤i≤n)列的二范数,min1≤h≤k(‖Φh2)表示测量矩阵Φ的前k列中最小的二范数,max1≤h≤k(‖Φh2)表示测量矩阵Φ的前k列中最大的二范数;其中,Di表示方阵D的第i列,Φj、Φe、Φf分别表示测量矩阵Φ的第j、e、f列,1≤j、e、f≤k;
步骤五当不等式(6)成立时,转步骤六;否则,转步骤十。
步骤六当不等式(7)成立时,转步骤七;否则,转步骤十。
步骤七当j=k时,转步骤八;否则,j=j+1,转步骤六。
步骤八取k=k+1,并将Di赋值给Φk,Φk=Di
步骤九当k=N时,转步骤十一;否则,转步骤十。
步骤十当i=n时,转步骤四;否则,转步骤五。
步骤十一结束。

Claims (4)

1.一种保持测量矩阵相关性不变的扩展方法,其特征在于,所述方法至少包括以下步骤:
步骤一输入矩阵A和目标测量矩阵的列数N,其中A∈Rn×k,n<<k<N;
步骤二生成n×N维零矩阵,并将矩阵A赋值给目标测量矩阵Φ的前k列;
步骤三计算测量矩阵Φ前k列的最大列相关性:μmax{Φ}=μef{Φ},其中e、f表示测量矩阵Φ中列相关性最大的两列,1≤e、f≤k;
步骤四从测量矩阵Φ的前k列中任选n列组成方阵B,其中B∈Rn×n,并求逆得到方阵D,即D=B-1,其中D∈Rn×n
步骤五当不等式min1≤h≤k(‖Φh2)·‖Di2≥max1≤h≤k(‖Φh2)2成立时,转步骤六;否则,转步骤十;其中,‖Di2表示方阵D第i(1≤i≤n)列的二范数,min1≤h≤k(‖Φh2)表示测量矩阵Φ的前k列中最小的二范数,max1≤h≤k(‖Φh2)表示测量矩阵Φ的前k列中最大的二范数;
步骤六当不等式成立时,转步骤七;否则,转步骤十;其中,Di表示方阵D的第i列,Φj、Φe、Φf分别表示测量矩阵Φ的第j、e、f列,1≤j、e、f≤k;
步骤七当j=k时,转步骤八;否则,j=j+1,转步骤六;
步骤八取k=k+1,并将Di赋值给Φk,Φk=Di
步骤九当k=N时,转步骤十一;否则,转步骤十;
步骤十当i=n时,转步骤四;否则,转步骤五;
步骤十一结束。
2.如权利要求1所述的方法,其特征在于所述将矩阵A赋值给目标测量矩阵Φ的前k列,至少还包括:
1)、生成n×N维零矩阵;
2)、令Q∈Rn×(N-k)为零矩阵,将矩阵A赋值给目标测量矩阵Φ的前k列:
Φn×k=An×k
Φ=[A Q]。
3.如权利要求1所述的方法,其特征在于所述计算测量矩阵Φ前k列的最大列相关性,至少还包括:
根据公式:
<mrow> <msub> <mi>&amp;mu;</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>{</mo> <mi>&amp;Phi;</mi> <mo>}</mo> <mo>=</mo> <msub> <mi>max</mi> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;le;</mo> <mi>N</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </msub> <mfrac> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>&amp;Phi;</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msub> <mi>&amp;Phi;</mi> <mi>j</mi> </msub> </mrow> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>j</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow> </mfrac> <mo>,</mo> </mrow>
计算测量矩阵Φ前k列的最大列相关性,并记测量矩阵Φ中列相关性最大的两列为第e列和第f列,则:
<mrow> <msub> <mi>&amp;mu;</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>{</mo> <mi>&amp;Phi;</mi> <mo>}</mo> <mo>=</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>e</mi> <mi>f</mi> </mrow> </msub> <mo>{</mo> <mi>&amp;Phi;</mi> <mo>}</mo> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>&amp;Phi;</mi> <mi>e</mi> <mi>T</mi> </msubsup> <msub> <mi>&amp;Phi;</mi> <mi>f</mi> </msub> </mrow> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>e</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>f</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow> </mfrac> <mo>.</mo> </mrow>
4.如权利要求1所述的方法,其特征在于所述步骤五和所述步骤六,至少还包括:
1)、将方阵D的第i列扩展至测量矩阵Φ中且最大列相关性保持不变的充要条件是:Di与Φ中前k列的列相关性均小于μmax{Φ}:
<mrow> <msub> <mi>max</mi> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mi>k</mi> </mrow> </msub> <mfrac> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>&amp;Phi;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msub> <mi>D</mi> <mi>i</mi> </msub> </mrow> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>j</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow> </mfrac> <mo>&amp;le;</mo> <mfrac> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>&amp;Phi;</mi> <mi>e</mi> <mi>T</mi> </msubsup> <msub> <mi>&amp;Phi;</mi> <mi>f</mi> </msub> </mrow> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>e</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Phi;</mi> <mi>f</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
2)、满足上式的充分条件是同时满足下列两式:
min1≤h≤k(‖Φh2)·‖Di2≥max1≤h≤k(‖Φh2)2
<mrow> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>&amp;Phi;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msub> <mi>D</mi> <mi>i</mi> </msub> </mrow> <mo>|</mo> </mrow> <mo>&amp;le;</mo> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>&amp;Phi;</mi> <mi>e</mi> <mi>T</mi> </msubsup> <msub> <mi>&amp;Phi;</mi> <mi>f</mi> </msub> </mrow> <mo>|</mo> </mrow> <mo>.</mo> </mrow>
CN201510180282.2A 2015-04-16 2015-04-16 一种保持测量矩阵相关性不变的扩展方法 Expired - Fee Related CN104734727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510180282.2A CN104734727B (zh) 2015-04-16 2015-04-16 一种保持测量矩阵相关性不变的扩展方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510180282.2A CN104734727B (zh) 2015-04-16 2015-04-16 一种保持测量矩阵相关性不变的扩展方法

Publications (2)

Publication Number Publication Date
CN104734727A CN104734727A (zh) 2015-06-24
CN104734727B true CN104734727B (zh) 2017-12-29

Family

ID=53458221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510180282.2A Expired - Fee Related CN104734727B (zh) 2015-04-16 2015-04-16 一种保持测量矩阵相关性不变的扩展方法

Country Status (1)

Country Link
CN (1) CN104734727B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102594360A (zh) * 2012-02-01 2012-07-18 浪潮(北京)电子信息产业有限公司 一种计算机数据压缩方法及装置
CN104270156A (zh) * 2014-06-12 2015-01-07 湘潭大学 压缩感知中追踪缩减补偿机制测量矩阵构造方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7765346B2 (en) * 2007-12-14 2010-07-27 Bmc Software, Inc. Dynamic compression of systems management data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102594360A (zh) * 2012-02-01 2012-07-18 浪潮(北京)电子信息产业有限公司 一种计算机数据压缩方法及装置
CN104270156A (zh) * 2014-06-12 2015-01-07 湘潭大学 压缩感知中追踪缩减补偿机制测量矩阵构造方法

Also Published As

Publication number Publication date
CN104734727A (zh) 2015-06-24

Similar Documents

Publication Publication Date Title
CN101908889A (zh) 一种块稀疏度未知的稀疏信号压缩感知重构方法
CN111667444B (zh) 一种基于多通道残差网络的图像压缩感知重建方法
CN110765965B (zh) 机械振动信号稀疏表示的快速字典学习算法
Bai et al. Constrained best Euclidean distance embedding on a sphere: a matrix optimization approach
CN102801428A (zh) 一种0-1稀疏循环矩阵的近似优化和信号采集重构方法
CN113300714A (zh) 一种基于压缩感知理论的联合稀疏信号降维梯度追踪重构算法
CN104734727B (zh) 一种保持测量矩阵相关性不变的扩展方法
CN101702751B (zh) 一种视频降噪处理中的三维块匹配方法
KR102409615B1 (ko) 연상 메모리에서의 최소값-최대값 계산 방법
CN103854015A (zh) 基于联合稀疏描述的多姿态三维人脸识别方法
CN113051792B (zh) 一种基于最小互相关原则的稀疏声学阵列设计方法
CN111062888B (zh) 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法
CN104113758A (zh) 一种基于矩阵初等变换的测量矩阵优化方法
Zhang et al. Hyperspectral image band selection via global optimal clustering
CN104361192A (zh) 一种压缩感知分析模型下的稀疏表示自适应重构方法
CN103886050B (zh) 基于压缩感知的图像特征存储方法、图像检索方法和装置
CN113052925A (zh) 一种基于深度学习的压缩感知重构方法和系统
Teng et al. Exploring the genetic patterns of complex diseases via the integrative genome-wide approach
He et al. Adaptive trigonometric hermite wavelet finite element method for structural analysis
CN107612555A (zh) 一种基于二分法的改进稀疏度自适应匹配追踪算法
CN104008532B (zh) 一种基于先验概率模型的红外图像去条纹方法
CN107679131B (zh) 一种快速谱图匹配方法
Zhang et al. Structured sparse BAYESIAN hyperspectral compressive sensing using spectral unmixing
Wang et al. Transferred tensor decomposition-based deep learning for hyperspectral anomaly detection
CN111416980B (zh) 基于压缩编码孔径的高分辨率相机成像方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171229

Termination date: 20210416

CF01 Termination of patent right due to non-payment of annual fee