压缩感知之稀疏度自适应匹配追踪(SAMP)方法
16lz
2021-03-24
压缩感知SAMP方法不需要知道信号稀疏度, 结合分阶段的思想以及加入回溯思想。首先设定固定步长来逐步选择原子,并通过回溯思想从候选集中筛选出与重构信号最匹配的原子。
设压缩观测,其中y为观测所得向量M×1,x为原信号N×1(M<<N),称为观测矩阵,大小为M×N。x一般不是稀疏的,但在某个变换域是稀疏的,即,其中为K稀疏的,即只有K个非零项,称为稀疏矩阵,大小为N×N。此时,A称为感知矩阵,大小为M×N。则。上式中,一般有K<<M<<N ,SAMP流程如下表所示:
SAMP依据更新残差与之前残差的2范数标准来更新步长,逐段估计原始信号稀疏度,因此不需提前知道信号的稀疏度。SAMP增加的步长是固定的,当值较大而步长较小时,SAMP方法重构精度更高,但因迭代次数多而导致运算量大;当值较小而步长较大时,方法的迭代次数将大大减少,但对稀疏度的估计不够准确,往往存在过估计情况,所以在选取步长时一般会折中考虑。
图1仿真了信号x的长度为256,观测数目为128,SAMP步长分别2,4,8,信号重构概率随稀疏度的变化曲线。
图2仿真了信号X的长度为256,稀疏度为30,SAMP步长分别2,4,8,信号重构概率随观测数目的变化曲线。
由以上可知,当SAMP步长较小,为2时,重构概率更高些。
更多相关文章
- LTE分享——OFDM
- 小尺度衰弱信号信道特性的分析与仿真
- 【Arduino实验室】NB的玩法,远程控制交通信号灯-ESP8266联网
- 分表分库后的id分配问题
- 智慧交通首个|海信SC6101道路交通信号机通过Acheron安全认证
- TensorFlow-手写数字识别(三)
- FreeRTOS例程3-串口中断接收不定长的数据与二值信号量的使用
- FreeRTOS例程4-串口DMA收发不定长数据
- 实际测试内存在顺序IO和随机IO时的访问延时差异