利用有限域上的多项式图构造感知测量矩阵的研究

测量矩阵的构造是压缩感知(Compressed Sensing,CS)的重要内容之一。目前关于测量矩阵构造主要有随机性和确定性生成两种方式。尽管确定性的测量矩阵重构信号的精度一般不如随机矩阵,但确定性的测量矩阵易于硬件实现。给出了有限域上多项式图的相关概念,并利用有限域上多项式图作为工具,深入地研究讨论了一个满足限制等距性质(RIP)的感知测量矩阵确定性构造方法。

OMP算法对稀疏信号准确重构的一个充分条件

压缩感知的研究对象是稀疏信号,那么在什么条件下以及采用何种方法能准确地重构一个稀疏信号自然成为人们关注的问题.在带有噪声的情形下,如果观测矩阵满足受限等距性质以及受限等距常数δk+kδk+1<1,并且噪声强度一定的条件下,证明了对任意的k-稀疏向量x,正交匹配追踪(OMP)算法可以通过k步迭代准确重构原信号.

基于l1-l2范数极小化的稀疏信号重建条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号。文章建立了基于极小化l1-l2范数的稀疏信号精确重构的充分条件,并给出了有噪声情形下的误差分析结果。

随机测量矩阵齐次RIP的证明

在压缩感知理论中,若要保证重构信号的精确性,测量矩阵需要满足限制等距性质,即RIP.当测量矩阵是随机矩阵时,RIP的成立与概率相关.对高斯矩阵RIP进行了修正,其中将原高斯矩阵RIP相关的集中不等式的l_(2)范数修正为l_(1)范数,梳理了这一类RIP证明过程,并证明得到了齐次RIP.