信息工程系本科毕业答辩.pptx

贪婪类结构稀疏重构算法的研究 胡健生 重构算法的发展 第一代压缩感知重构算法：主要针对的是稀疏信号的一般形式，即标准稀疏，只考虑到信号是稀疏的. 第二代压缩感知重构算法：针对不同结构稀疏信号，用不同的方式进行重构，充分利用信号结构的先验信息提高重构性能。 结构稀疏中用到的术语 标准稀疏的稀疏度：我们用非零元素的个数来衡量稀疏度。 结构稀疏度：对于结构稀疏的信号，要考虑组块的长度和数量，组块越少，组块的长度越短，信号就越稀疏。 而编码复杂度正符合这样的特点，因此，文中用编码复杂度来表示结构信号的稀疏度。 贡献度：单位复杂度的贡献量，基块的贡献量与增加的编码复杂度的比值 结构OMP重构算法与OMP算法的不同点 标准稀疏：每次迭代只选择单个元素，选择标准是，单元素对测量值得贡献最大，测量值与感知矩阵的内积值的大小 结构稀疏：每次迭代选择的是一个基块，选择的标准是： 最大贡献度。 组稀疏 组稀疏：组稀疏的主要 特点是，组的划分是预定义 的，不可重叠的，基块 长度不同，影响重构 效果，理论上组稀疏的基 块越小，效果会越好，但 如果太小就接近标准稀疏， 影响重构效果。 基块长度与信噪比： 横轴为基块长度， 纵轴为信噪比。 线性动态组稀疏 线性动态组稀疏的特点是： 组的划分是预先不可知的， 组块是可重叠的。 右图横轴为测量数与稀疏度 比值（m/k）,纵轴为信噪比 当m /k=2.5时，信噪比开 始稳定。 线性动态组稀疏 模拟信号实验： 右图为OMP，结 构OMP，Lasso 三种算法的重构 实验，从信噪比来看 结构稀疏的明显要好 线性动态组稀疏 不同算法的恢复误差： 右图是m/k与恢复误差， 结构稀疏算法，误差稳 定 时，m/k 的值最小， 并且，误差和误差的标 准差都很小。 图稀疏 图稀疏的恢复比较： 线性动态组稀疏是一维 图，图稀疏是二维的， 利用了数据的横向相关 性，其恢复性能 相对较好。图稀疏 的基块是很小的 连通域，一个像素 与邻近的四个像素组成的。信噪比为： 28.9972 105.1123 分层树形稀疏 当数据满足树形稀疏，用对应的树结构来重构数据要比用其他的结构模型恢复效果要好： 树形稀疏与线性动态组稀疏的恢复对比： 信噪比：Psnr1=32.3046 Psnr2=24.7756 MATLAB与C++运行时间对比 图中横轴为运行次数 纵轴为运行时间， 图中显示C++优化的 运行时间很短， MATLAB的时间要 长的多。