CN109547029A - 一种基于组稀疏结构的自适应匹配追踪信号重构方法 - Google Patents

一种基于组稀疏结构的自适应匹配追踪信号重构方法 Download PDF

Info

Publication number
CN109547029A
CN109547029A CN201811308366.XA CN201811308366A CN109547029A CN 109547029 A CN109547029 A CN 109547029A CN 201811308366 A CN201811308366 A CN 201811308366A CN 109547029 A CN109547029 A CN 109547029A
Authority
CN
China
Prior art keywords
group
zero
vector
sparsity structure
objective function
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.)
Granted
Application number
CN201811308366.XA
Other languages
English (en)
Other versions
CN109547029B (zh
Inventor
武其松
刘佳豪
方世良
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201811308366.XA priority Critical patent/CN109547029B/zh
Publication of CN109547029A publication Critical patent/CN109547029A/zh
Application granted granted Critical
Publication of CN109547029B publication Critical patent/CN109547029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • H03M7/3062—Compressive sampling or sensing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Complex Calculations (AREA)

Abstract

一种基于组稀疏结构的自适应匹配追踪信号重构方法，步骤如下：(1)通过引入“spike and slab”先验概率分布，构造一种具有组稀疏结构的贝叶斯回归模型；(2)利用最大后验概率准则将上述模型的参数求解问题转化为关于模型参数γ,x的非凸优化问题；(3)初始化γ,x；(4)计算将γ的一个非零元素变为零元素后目标函数减少的上界(5)计算将γ的一个零元素变非零元素后目标函数减少的上界(6)当与至少有一个小于零时，若大于则将对应的γ元素变为非零值，若大于则将对应的γ元素变为零；(7)求解当前γ确定时所对应的x；(8)当与至少有一个小于零时，重复步骤(4)—(7)，当与

Description

一种基于组稀疏结构的自适应匹配追踪信号重构方法
技术领域
本发明属于信号处理压缩感知领域，具体涉及一种基于组稀疏结构的自适应匹配追踪信号重构方法。
背景技术
在过去的十几年，稀疏性是信号处理应用领域最热门的研究主题之一。信号的稀疏表示使得我们可以使用少量观测来表示高维数据。在稀疏重构理论中，信号可表示 为观测矩阵中有限个原子的线性组合。信号中稀疏性的存在使得我们可以用有效的方 法从数据的潜在信息中提取相关信号，这类技术现已被广泛应用于图像复原、信号重 构、字典学习以及图像去噪等领域。
稀疏重构方法的目的是从一系列少量的线性观测中恢复出原信号。针对这一问题研究学者们提出了很多方法，它们包括正则化稀疏优化方法、贪婪方法、基于贝叶斯 的方法以及一些稀疏估计方法。这些稀疏重构方法表明在生成模型中通过挖掘和利用 其结构约束和先验概率分布信息，可以有效地提升方法重构性能。
为了进一步提高信号的可重构性，信号中潜在的结构信息被广泛关注，组稀疏结构就是其中之一，组稀疏结构意味着恢复出的信号成分自然分组，并且同一组中的成 分很大程度上全部为零或全部非零。一般来说，信号的分组信息可以是任意的，并且 通常会根据特定问题的先验概率分布信息对信号的组结构预定义。基于这些组稀疏结 构人们提出了各种各样的正则化项，这些正则化项使得重构性能得到了极大提升，利 用信号的组稀疏结构可以对信号解空间降维，得益于这些优点，组稀疏优化模型已被 应用于出生体重预测，动态MRI，基因发现等领域。
“spike and slab”先验概率分布是一种在贝叶斯推断中引入信号稀疏性的方法，近年 来成为信号处理领域的一个研究热点。“spike and slab”先验概率分布是两个概率分布 的混合，其中一个分布非常尖锐(低方差)而另一个非常平坦(高方差)，基于这一特性，“spike and slab”先验概率分布完美地表达了选择或拒绝变量的变量选择标准。然而，引入“spike and slab”先验概率分布来求解稀疏系数向量是‘NP’问题，没有封闭 形式的正则化函数可以简单地加到原始目标函数上且使目标函数最小化。“spike and slab”先验概率分布的想法最初在80年代提出并在90年代进行了改进，比Lasso更早。 “spike andslab”先验概率分布因有效的引入了信号的稀疏特性而被人们广泛使用。
由于“spike and slab”先验概率分布的引入会将问题转化为一严格非凸问题，现存 的重构方法都存在着计算量太大或简化了先验概率分布假设的问题。
发明内容
为了克服现有技术的不足，本发明提供了一种基于组稀疏结构的自适应匹配追踪信号重构方法，该方法可以显著降低信号重构误差，且具有更强的抗噪声能力。
为了实现上述目的，本发明的技术方案如下：一种基于组稀疏结构的自适应匹配追踪信号重构方法，所述方法包括如下步骤：
(1)引入“spike and slab”先验概率分布，构造一种具有组稀疏结构的贝叶斯回归模型；
(2)通过最大后验概率准则将该贝叶斯回归模型的参数求解问题转化为关于模型参数γ、x的非凸优化问题；
(3)对模型参数进行初始化；
(4)计算将γ的一个零元素变为非零元素后目标函数减少的上界
(5)计算将γ的一个非零元素变为零元素后目标函数减少的上界
(6)当与至少有一个小于零时，若大于则将对应的γ元素变为非零 值，若大于则将对应的γ元素变为零；
(7)求解与当前γ对应的x；
(8)当与至少有一个小于零时，重复步骤(4)—(7)，当与均大于零时， 停止重复，γ收敛至最优值；
(9)最优γ所对应的x即为重构出的信号。
优选的，步骤(1)中所述构造具有组稀疏结构的贝叶斯回归模型的步骤包括：
引入“spike and slab”先验概率分布，基于组稀疏结构的回归模型如下：
其中，
A为q×p维观测矩阵，x为p维向量，为便于表示x的组结构，将向量x均匀分 割成K组，每组元素个数为L，因此p＝K×L，如公式(2)所示，其中xi表示x 向量中的第i组，且xil为xi向量中第l个元素。y表示q维观测向量，且q＜＜p， Iq表示q×q维的单位矩阵，N(·)为高斯分布。I(·)为指示函数，当指示函数括号 内条件成立时函数值为1，括号内条件不成立时为0；γi是服从Bernoulli分布的 二元变量，且第i组元素共享γi；当γi为零时，xi组内所有元素均为零，当γi不 为零时，xi组内所有元素均不为零且服从高斯分布；参数κ为Bernoulli分布参 数，用来控制γ以影响x的稀疏程度，σ2为观测数据的噪声方差，σ2λ-1为稀疏 向量x的方差。
优选的，步骤(2)中所述通过最大后验概率准则将该贝叶斯回归模型的参数求解问题转化为关于模型参数γ、x的非凸优化问题的步骤如下：
(2.1)关于x与γ的条件概率分布满足如下关系
f(x,γ|A,y,λ,κ)∝f(y|A,x,γ,σ2)f(x|γ,σ2,λ)f(γ|κ)(3)；
其中f(a|b)表示b已知时a的条件概率分布，符号∝表示左右两端为正比关系。
基于最大后验概率估计方法，x*,γ*可以通过下式计算获得，
其中返回当括号中关于a的函数取最小值时的a，ln(g)表示以自然数为底的 对数。
(2.2)通过最大后验概率估计分别转化式(5)中的每一项：
其中||·||2表示欧几里得范数，xil表示x第i组第l个元素。
(2.3)基于式(5)-(8)，式(4)优化问题可转化为如下形式
引入目标函数L(x,γ)为
进一步，可将目标函数转化为
其中，
为便于组结构的表示，可将矩阵D表示为
其中Φi为第i组向量元素对应的观测矩阵列向量构成的子矩阵，表示子矩阵Φi中第 l列向量。
优选的，步骤(3)中所述对模型参数进行初始化的方法是向量x直接初始化为零向量，将ρ中小于零的元素所对应位置的γ初始化为1，其余部分初始化为0。
优选的，步骤(4)中所述计算将γ的一个零元素变非零元素后目标函数减少的上界的方法是计算将某一组未激活的x激活后目标函数减少的上界，即将γ的某一零 元素变为非零元素后目标函数减少的上界：
其中，S＝{j:γj≠0,i≠j}。
优选的，步骤(5)中所述计算将γ的一个非零元素变为零元素后目标函数减少的上界的方法是计算将γ的一个非零元素变为零元素后目标函数减少的上界
优选的，步骤(6)中所述当与至少有一个小于零时，若大于则将对 应的γ元素变为非零值，若大于则将对应的γ元素变为零的方法是当与两 者至少有一个小于零时，进一步比较与的大小，若小于则将对应的γ元 素变为非零值，若大于则将对应的γ元素变为零。
优选的，步骤(7)中所述求解与当前γ对应的x的方法是利用当前γ将式(9)转 化为
优选的，步骤(8)中所述当与至少有一个小于零时，重复步骤(4)——(7)， 当与均大于零时，停止重复，γ收敛至最优值的方法是当与至少有一个小于 零时，重复步骤(4-7)，当与均大于零时，停止重复。
优选的，步骤(9)中所述最优γ所对应的x即为重构出的信号。
相对于现有技术，本发明公开的一种基于组稀疏结构的自适应匹配追踪信号重构方法具有以下优点：1)本方法通过引入“spike and slab”先验分布，构造了一种基于 组结构的贝叶斯回归模型，充分挖掘了信号潜在的结构信息。与传统方法如基于组稀 疏结构的正交匹配追踪算法等相比，本方法引入的“spike and slab”先验分布假设使 得重构信号更加接近原信号的真实分布，从而获得更好的重构性能；2)本方法基于贪 婪算法，不同于传统方法，本算法使用迭代的方法，在每一步仅选择当前子问题的最 优解，而不考虑全局解，大大减少了计算量，加快了运行速度。得益于这些优点，本 方法可以有效改善信号的稀疏重构均方误差，减少重构原信号所需的观测数与运行速 度，且具有更强的抗噪声能力。
附图说明
图1为本发明方法的流程图；
图2为实施例1中用本发明方法重构出的稀疏信号与原信号的对比图；
图3为实施例1中本发明方法与现有方法在不同信噪比下重构误差的对比；
图4为实施例2中本发明方法与现有方法在不同观测数下的重构误差对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
实施例1：
如图1，一种基于组稀疏结构的自适应匹配追踪信号重构方法，所述方法包括如下步骤：
步骤1、构造具有组稀疏结构的贝叶斯回归模型：
引入“spike and slab”先验概率分布，基于组稀疏结构的回归模型如下：
其中，
A为q×p维观测矩阵，x为p维向量，为便于表示x的组结构，将向量x均匀分 割成K组，每组元素个数为L，因此p＝K×L，如公式(2)所示，其中xi表示x 向量中的第i组，且xil为xi向量中第l个元素。y表示q维观测向量且q＜＜p，Iq表示q×q维的单位矩阵；N(·)为高斯分布，I(·)为指示函数，当指示函数括号内 条件成立时函数值为1，括号内条件不成立时为0；γi是服从Bernoulli分布的二 元变量，且第i组元素共享γi；当γi为零时，xi组内所有元素均为零，当γi不为 零时，xi组内所有元素均不为零且服从高斯分布；参数κ为Bernoulli分布参数， 用来控制γ以影响x的稀疏程度，σ2为观测数据的噪声方差，σ2λ-1为稀疏向量x 的方差。
本实施例中，选用256×512维的观测矩阵，512×1维的稀疏向量，稀疏向量共分为128组，每组4个元素，其中25组为非零元素。参数设置选择为：σ为0.02，λ为 0.00015，κ为每个元素均为0.48的128维向量。
步骤2、利用最大后验概率准则将该贝叶斯回归模型的参数求解问题转化为关于模型参数γ、x的非凸优化问题的步骤如下：
(2.1)关于x与γ的条件概率分布满足如下关系
f(x,γ|A,y,λ,κ)∝f(y|A,x,γ,σ2)f(x|γ,σ2,λ)f(γ|κ)(19)；
其中f(a|b)表示b已知的条件下a的条件概率分布，符号∝表示左右两端为正比关系。
基于最大后验概率估计方法，x*,γ*可以通过下式计算获得，
其中返回当括号中关于a的函数取最小值时的a，ln(g)表示以自然数为底的 对数。
(2.2)联合式(3)和式(4)可以得到
其中||·||2表示欧几里得范数，xil表示x第i组第l个元素。
(2.3)基于式(5)-(8)，式(4)优化问题可转化为如下形式
引入目标函数L(x,γ)为
进一步，可将目标函数转化为
其中，
为便于组结构的表示，可将矩阵D表示为
其中Φi为第i组向量元素对应的观测矩阵列向量构成的子矩阵，表示子矩阵Φi中 第l列向量。
步骤3、将向量x直接初始化为零向量，将ρ中小于零的元素所对应组位置的γ初始化为1，其余部分初始化为0。
步骤4、计算将某一组未激活的x激活后目标函数减少的上界，即将γ的某一零元素变为非零元素后目标函数减少的上界：
其中，S＝{j:γj≠0,i≠j}。
步骤5、计算将γ的一个非零元素变为零元素后目标函数减少的上界
步骤6、当与两者至少有一个小于零时，进一步比较与的大小，若小于 则将对应的γ元素变为非零值，若大于则将对应的γ元素变为零。
步骤7、利用当前γ将式(9)转化为
步骤8、当与至少有一个小于零时，重复步骤(4-7)，当与均大于零时，停止重复。
步骤9、最优γ所对应的x即为重构出的信号。
图2给出了本实例中原信号与重构信号的对比图，其中实线表示原信号，虚线表示重构信号。从图中可以看到，实线与虚线高度重合，说明本发明公开的信号重构方 法可以有效的对具有组稀疏结构的信号重构。
图3给出了本实施例中所示信号重构方法与现有其它组稀疏结构信号重构方法在不同信噪比下均方误差的对比，其中横轴表示信噪比，纵轴表示均方误差，从图中可 以看到各条线所对应的方法。可以看到各方法在不同信噪比的情况下均方误差的变化 趋势大致相同，但可以看出本发明所公开的方法性能显著优于其余方法，在不同信噪 比下均方误差均明显小于现有其它方法。
实施例2：
本实施例主要对比了本发明公开的基于组稀疏结构的信号重构方法与现有其它组 稀疏信号重构方法在不同观测数量下的均方误差，除信噪比恒为0dB且观测数量不断变化外，其余参数设置均与实施例1相同。如图4所示，横轴表示观测数量，纵轴表 示均方误差，各条折线所对应的信号重构方法名称如图中所示。从图中可以看出，在 观测数量小于180时现有的组稀疏信号重构方法与本发明公开的组稀疏信号重构方法 均方误差都比较大，当观测数量大于180时，本发明公开的方法的均方误差显著低于 其余方法，当对重构信号的均方误差有较高要求时，本方法能够以相比于其它方法最 少的观测数量达到要求。

Claims (10)

1.一种基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，所述方法包括如下步骤：
(1)引入“spike and slab”先验概率分布，构造一种具有组稀疏结构的贝叶斯回归模型；
(2)通过最大后验概率准则将该贝叶斯回归模型的参数求解问题转化为关于模型参数γ、x的非凸优化问题；
(3)对模型参数进行初始化；
(4)计算将γ的一个零元素变为非零元素后目标函数减少的上界
(5)计算将γ的一个非零元素变为零元素后目标函数减少的上界
(6)当与至少有一个小于零时，若大于则将对应的γ元素变为非零值，若大于则将对应的γ元素变为零；
(7)求解与当前γ对应的x；
(8)当与至少有一个小于零时，重复步骤(4)—(7)，当与均大于零时，停止重复，γ收敛至最优值；
(9)最优γ所对应的x即为重构出的信号。
2.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(1)中所述构造具有组稀疏结构的贝叶斯回归模型的步骤包括：
引入“spike and slab”先验概率分布，基于组稀疏结构的回归模型如下：
其中，
A为q×p维观测矩阵，x为p维向量，为便于表示x的组结构，将x向量均匀分割成K 组，每组元素个数为L，因此p＝K×L，如公式(2)所示，其中xi表示x向量中的第i组，且xil为xi向量中第l个元素；y表示q维观测向量，且q＜＜p，Iq表示q×q维的单位矩阵，N(·)为高斯分布；I(·)为指示函数，当指示函数括号内条件成立时函数值为1，括号内条件不成立时为0；γi是服从Bernoulli分布的二元变量，且第i组元素共享γi；当γi为零时，xi组内所有元素均为零，当γi不为零时，xi组内所有元素均不为零且服从高斯分布；参数κ为Bernoulli分布参数，用来控制γ以影响x的稀疏程度，σ2为观测数据的噪声方差，σ2λ-1为稀疏向量x的方差。
3.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(2)中所述通过最大后验概率准则将该贝叶斯回归模型的参数求解问题转化为关于模型参数γ、x的非凸优化问题的步骤如下：
(2.1)关于x与γ的条件概率分布满足如下关系
f(x,γ|A,y,λ,κ)∝f(y|A,x,γ,σ2)f(x|γ,σ2,λ)f(γ|κ) (3)；
其中f(a|b)表示b已知的条件下a的条件概率分布，符号∝表示左右两端为正比关系；
基于最大后验概率估计方法，x*,γ*可以通过下式计算获得，
其中返回当括号中关于a的函数取最小值时的a，ln(g)表示以自然数为底的对数。
(2.2)联合式(3)和式(4)可以得到
其中||·||2表示欧几里得范数，xil表示x第i组第l个元素。
(2.3)基于式(5)-(8)，式(4)优化问题可转化为如下形式
引入目标函数L(x,γ)为
进一步，可将目标函数转化为
其中，
为便于组结构的表示，可将矩阵D表示为
其中Φi为第i组向量元素对应的观测矩阵列向量构成的子矩阵，表示子矩阵Φi中第l列向量。
4.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(3)中所述对模型参数进行初始化的方法是将向量x直接初始化为零向量，将ρ中小于零的元素对应位置的γ初始化为1，其余部分初始化为0。
5.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(4)中所述计算将γ的一个零元素变非零元素后目标函数减少的上界的方法是计算将某一组未激活的x激活后目标函数减少的上界，即将γ的某一零元素变为非零元素后目标函数减少的上界：
其中，S＝{j:γj≠0,i≠j}。
6.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(5)中所述计算将γ的一个非零元素变为零元素后目标函数减少的上界的方法是计算将γ的一个非零元素变为零元素后目标函数减少的上界
7.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(6)中所述当与至少有一个小于零时，若大于则将对应的γ元素变为非零值，若大于则将对应的γ元素变为零的方法是当与两者至少有一个小于零时，进一步比较与的大小，若小于则将对应的γ元素变为非零值，若大于则将对应的γ元素变为零。
8.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(7)中所述求解与当前γ对应的x的方法是利用当前γ将式(9)转化为
9.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(8)中所述当与至少有一个小于零时，重复步骤(4)——(7)，当与均大于零时，停止重复，γ收敛至最优值的方法是当与至少有一个小于零时，重复步骤(4-7)，当与均大于零时，停止重复。
10.根据权利要求1所述的基于组稀疏结构的自适应匹配追踪信号重构方法，其特征在于，步骤(9)中所述最优γ所对应的x即为重构出的信号。
CN201811308366.XA 2018-11-05 2018-11-05 一种基于组稀疏结构的自适应匹配追踪信号重构方法 Active CN109547029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811308366.XA CN109547029B (zh) 2018-11-05 2018-11-05 一种基于组稀疏结构的自适应匹配追踪信号重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811308366.XA CN109547029B (zh) 2018-11-05 2018-11-05 一种基于组稀疏结构的自适应匹配追踪信号重构方法

Publications (2)

Publication Number Publication Date
CN109547029A true CN109547029A (zh) 2019-03-29
CN109547029B CN109547029B (zh) 2023-04-14

Family

ID=65846540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811308366.XA Active CN109547029B (zh) 2018-11-05 2018-11-05 一种基于组稀疏结构的自适应匹配追踪信号重构方法

Country Status (1)

Country Link
CN (1) CN109547029B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111313A (zh) * 2021-04-15 2021-07-13 东南大学 一种基于期望传播的多任务稀疏重构和聚类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151441A1 (en) * 2011-12-13 2013-06-13 Xerox Corporation Multi-task learning using bayesian model with enforced sparsity and leveraging of task correlations
CN103713288A (zh) * 2013-12-31 2014-04-09 电子科技大学 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法
US20180198992A1 (en) * 2016-08-30 2018-07-12 Shenzhen University Infrared image reconstruction method based on block-sparse compressive sensing and system thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151441A1 (en) * 2011-12-13 2013-06-13 Xerox Corporation Multi-task learning using bayesian model with enforced sparsity and leveraging of task correlations
CN103713288A (zh) * 2013-12-31 2014-04-09 电子科技大学 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法
US20180198992A1 (en) * 2016-08-30 2018-07-12 Shenzhen University Infrared image reconstruction method based on block-sparse compressive sensing and system thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111313A (zh) * 2021-04-15 2021-07-13 东南大学 一种基于期望传播的多任务稀疏重构和聚类方法
CN113111313B (zh) * 2021-04-15 2024-03-12 东南大学 一种基于期望传播的多任务稀疏重构和聚类方法

Also Published As

Publication number Publication date
CN109547029B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN109683161B (zh) 一种基于深度admm网络的逆合成孔径雷达成像的方法
US10810767B2 (en) Machine-learned network for Fourier transform in reconstruction for medical imaging
Mintun et al. Bulk-boundary duality, gauge invariance, and quantum error corrections
CN103941220B (zh) 一种基于稀疏重构的网格外目标波达方向估计方法
CN111967679B (zh) 基于tcn模型的电离层总电子含量预报方法
US11410071B2 (en) Fermionic simulation gates
CN113256536B (zh) 一种基于小波分析的超高维数据重建深度学习方法
Lin et al. Vision transformers enable fast and robust accelerated mri
CN111487573B (zh) 一种用于磁共振欠采样成像的强化型残差级联网络模型
CN114119791A (zh) 一种基于交叉域迭代网络的mri欠采样图像重建方法
Oh et al. A k‐space‐to‐image reconstruction network for MRI using recurrent neural network
CN109547029A (zh) 一种基于组稀疏结构的自适应匹配追踪信号重构方法
Kang et al. Efficient SAR imaging integrated with autofocus via compressive sensing
Wang et al. Smoothed random-like trajectory for compressed sensing MRI
Kofler et al. Deep supervised dictionary learning by algorithm unrolling—Application to fast 2D dynamic MR image reconstruction
Zhang et al. A deep RNN for CT image reconstruction
Mathew et al. Automated regularization parameter selection using continuation based proximal method for compressed sensing MRI
CN111812569A (zh) 一种基于深度学习的k空间欠采样轨迹的方法
Hu et al. Inverse synthetic aperture radar imaging using complex‐value deep neural network
Zibetti et al. Fast and exact unidimensional L2–L1 optimization as an accelerator for iterative reconstruction algorithms
Zhang et al. Distributed compressive sensing via LSTM-aided sparse bayesian learning
Chorin et al. Interpolation and iteration for nonlinear filters
Mohaoui et al. Bi‐dictionary learning model for medical image reconstruction from undersampled data
Chen et al. Fast compressed sensing mri based on complex double-density dual-tree discrete wavelet transform
CN114720984B (zh) 一种面向稀疏采样与观测不准确的sar成像方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant