|
|
1.
基于奇异值分解的压缩感知观测矩阵优化算法
李周, 崔琛
计算机应用
2018, 38 (2):
568-572.
DOI: 10.11772/j.issn.1001-9081.2017071854
针对压缩感知（CS）中从优化后的Gram矩阵求解观测矩阵时会出现较大相关系数的问题，在利用现有算法得到优化后的Gram矩阵的基础上，通过求解等价变换后的目标函数对观测矩阵行向量的导数得到目标函数取极值时行向量的值，并通过对误差矩阵进行奇异值分解（SVD）在上述行向量的值中选出使得目标函数取最值时行向量的解析式，在此基础上给出了观测矩阵的优化算法：通过借鉴
K-SVD算法中逐行优化目标矩阵的思想，对观测矩阵进行逐行迭代优化，并将相邻两轮迭代产生的观测矩阵所对应的相关性之差作为衡量迭代是否结束的条件。仿真结果表明：该算法在观测矩阵与稀疏基的相关性方面优于改进前的算法，从而提高了重构精度。
参考文献 |
相关文章 |
多维度评价
|
|
