譯者序
原書前言
壓縮感知簡介
引言
向量空間綜述
賦范向量空間
基底和框架
低維信號模型
稀疏模型
子空間的有限集合
模擬信號模型的子空間集合
低秩矩陣模型
流形和參數(shù)模型
感知矩陣
零空間條件
約束等距性質（RIP）
相干性
構造感知矩陣
1.5基于 最小化方法的信號重建
1.5.1 不含噪聲的信號重建
1.5.2 含噪聲的信號重建
1.5.3 情況-最優(yōu)保證條件問題
1.5.4 正軸形與相位變化
1.6 信號重建算法
1.7 多維測量向量
1.8 總結
附錄 第1章的證明
A.1 定理1.4的證明
A.2 引理1.3的證明
A.3 引理1.6的證明
A.4 定理1.13的證明
參考文獻
第二代稀疏建模：結構化和協(xié)作信號分析
2.1 引言
2.2 圖像復原的逆問題
2.2.1 傳統(tǒng)稀疏建模
2.2.2 結構化稀疏建模
2.2.3 實驗結果
2.3 用結構和協(xié)作模型鑒別和分離源
2.3.1 分組Lasso
2.3.2 分層Lasso
2.3.3 協(xié)作分層Lasso
2.3.4 實驗結果
2.4 總結
參考文獻
Xampling：模擬信號的壓縮感知
3.1 引言
3.2 從子空間到聯(lián)合空間
3.3 Xampling
3.3.1 子空間聯(lián)合
3.3.2 架構
3.4 稀疏平移不變框架
3.4.1 平移不變子空間中的采樣
3.4.2 SI子空間的稀疏聯(lián)合
3.4.3 無限測量模型和連續(xù)有限測量模型
3.5 從理論到多頻段采樣的硬件
3.5.1 信號模型和稀疏SI公式
3.5.2 通過不均勻采樣的模擬壓縮感知
3.5.3 建模實用的ADC器件
3.5.4 調制寬帶轉換器
3.5.5 硬件設計
3.5.6 亞奈奎斯特信號處理
3.6有限新息率信號
3.6.1 模擬信號模型
3.6.2 壓縮信號采集
3.6.3 恢復算法
3.7 新息信號序列
3.7.1 模擬信號模型
3.7.2 壓縮信號采集
3.7.3 恢復算法
3.7.4 應用
3.8 聯(lián)合建模與有限離散化
3.8.1 隨機解調器
3.8.2 有限模型靈敏度
3.8.3 硬件復雜度
3.8.4 計算負載
3.8.5 模擬與離散CS雷達
3.9 討論
3.9.1 將CS擴展到模擬信號
3.9.2 CS是否是一個通用采樣方案
3.9.3 總結
參考文獻
新息率采樣：理論和應用
4.1 引言
4.1.1 采樣方案
4.1.2 FRI歷史
4.1.3 本章概覽
4.1.4 符號和約定
4.2有限新息率信號
4.2.1 FRI信號定義
4.2.2 FRI信號例子
4.3無噪聲環(huán)境中FRI信號的采樣與恢復
4.3.1使用sinc核進行采樣
4.3.2 使用加和的sinc核進行采樣
4.3.3 使用指數(shù)生成核進行采樣
4.3.4 多通道采樣
4.4噪聲對FRI恢復的影響
4.4.1 連續(xù)時間噪聲下的性能界限
4.4.2 采樣噪聲下的性能界限
4.4.3提高采樣噪聲魯棒性的FRI技術
4.5 仿真
4.5.1無噪聲環(huán)境下的采樣和重建
4.5.2 噪聲環(huán)境下的采樣和重建
4.5.3 周期FRI信號與半周期FRI信號
4.6 擴展和應用
4.6.1 采樣分段正弦信號
4.6.2 信號壓縮
4.6.3 超分辨率成像
4.6.4 超聲成像
4.6.5 多徑介質識別
4.6.6 超分辨率雷達
附錄 Cramér-Rao界限推導
參考文獻
隨機矩陣的非漸近分析
5.1 引言
5.1.1漸近和非漸近的體系
5.1.2高矩陣是近似等距同構的
5.1.3模型和方法
5.1.4 應用
5.1.5 相關資源
5.2 預備知識
5.2.1 矩陣及其奇異值
5.2.2 網絡
5.2.3 亞高斯隨機變量
5.2.4 亞指數(shù)隨機變量
5.2.5 各向同性隨機向量
5.2.6 獨立隨機矩陣的求和
5.3 具有獨立元素的隨機矩陣
5.3.1 極限定理和高斯矩陣
5.3.2 具有獨立元素的一般隨機矩陣
5.4具有獨立行的隨機矩陣
5.4.1 亞高斯行
5.4.2 重尾行
5.4.3 應用：估算協(xié)方差矩陣
5.4.4 應用：隨機子矩陣和子框架
5.5 具有獨立列的隨機矩陣
5.5.1 亞高斯列
5.5.2 重尾列
5.6 約束等距同構
5.6.1 亞高斯約束等距同構
5.6.2 重尾約束等距同構
5.7 注釋
參考文獻
自適應感知的稀疏重建
6.1 引言
6.1.1去噪
6.1.2逆問題
6.1.3貝葉斯的角度
6.1.4結構稀疏性
6.2貝葉斯自適應感知
6.2.1使用一個簡單生成模型進行貝葉斯推理
6.2.2使用多成分模型進行貝葉斯推理
6.2.3量化性能
6.3準貝葉斯自適應感知
6.3.1用非自適應測量去噪
6.3.2蒸餾感知
6.3.3壓縮感知中的蒸餾法
6.4 相關工作和進一步閱讀的建議
參考文獻
壓縮感知的基本閾值方法：一種高維幾何方法
7.1 引言
7.1.1 l_1最小化魯棒性的閾值邊界
7.1.2 加權和迭代重加權l(xiāng)_1最小化閾值
7.1.3 與其他閾值邊界的比較
7.1.4 高維幾何的一些概念
7.1.5 組織結構
7.2 零空間特征
7.3 零空間特征的Grassmann角框架
7.4 評估閾值界限ζ
7.5 內角指數(shù)的計算
7.6 外角指數(shù)的計算
7.7ρ_N (δ,C)的存在性與縮放
7.8 弱、部分和強魯棒性
7.9 ζ界限的數(shù)值計算
7.10 加權l(xiāng)_1最小化的恢復閾值
7.11 近似支撐恢復和迭代重加權l(xiāng)_1
7.12 總結
7.13 附錄
7.13.1 內角的推導
7.13.2 外角的推導
7.13.3 引理7.7的證明
7.13.4 引理7.8的證明
參考文獻
壓縮感知貪婪算法
8.1貪婪算法，凸集最優(yōu)化的一個靈活替代算法
8.2貪婪追蹤
8.2.1基本框架
8.2.2系數(shù)更新變型
8.2.3 元素選擇的幾種變型
8.2.4 計算
8.2.5 性能保證
8.2.6 經驗比較
8.3 閾值類算法
8.3.1迭代硬閾值
8.3.2壓縮采樣匹配追蹤和子空間追蹤
8.3.3 實驗比較
8.3.4 恢復證明
8.4 由貪婪算法推廣到結構化模型
8.4.1子空間聯(lián)合模型
8.4.2采樣并重建子空間聯(lián)合信號
8.4.3 性能保證
8.4.4恢復條件何時成立
8.4.5 實驗比較
8.4.6 MMV問題中的秩結構
8.5 總結
參考文獻
壓縮感知中的圖模型概念
9.1 引言
9.2基本模型及其圖結構
9.3標量情形
9.4消息傳遞的推導
9.4.1 最小和算法
9.4.2 通過二次近似簡化最小和
9.5近似消息傳遞
9.5.1 AMP算法及其性質
9.5.2 AMP算法的推導
9.6高維分析
9.6.1 AMP算法的一些數(shù)值實驗
9.6.2狀態(tài)演變
9.6.3 LASSO的風險
9.6.4 去耦原理
9.6.5 狀態(tài)演變的啟發(fā)式推導
9.6.6 噪聲敏感度相變
9.6.7 普適性
9.6.8 與其他分析方法的比較
9.7 范化
9.7.1 結構化先驗信息
9.7.2 稀疏感知矩陣
9.7.3 矩陣的填充
9.7.4 廣義回歸
參考文獻
在壓縮干草堆中找針
10.1 引言
10.2 背景及符號
10.2.1 符號
10.2.2 集中不等式
10.2.3 群論
10.3 支持向量機
10.4 近等距投影
10.5 定理10.3證明
10.6 通過Johnson-Lindenstrauss特性的距離保真
10.7 通過隨機投影矩陣的最壞情況JL特性
10.7.1 Johnson-Lindenstrauss和隨機感知
10.7.2 實驗結果
10.8 通過顯式投影矩陣的平均情況JL特性
10.8.1 相干性的全局測量
10.8.2 平均情況壓縮學習
10.8.3 兩個基本的相干性測量及它們在壓縮學習中的作用
10.8.4 使用Delsarte-Goethals框架的平均情況距離保真
10.9 主要平均情況壓縮學習結果的證明
10.9.1 引理10.5的證明
10.9.2 定理10.6的證明
10.10 總結
參考文獻
基于稀疏表示的數(shù)據(jù)分離
11.1 引言
11.1.1 形態(tài)學成分分析
11.1.2 分離算法
11.1.3 分離結果
11.1.4 稀疏字典的設計
11.1.5 提綱
11.2 分離估計
11.2.1 數(shù)據(jù)分離估計與欠定問題的關系
11.2.2 一般性的分離估計
11.2.3 創(chuàng)新觀點：聚集稀疏
11.2.4 與測不準原理的關系
11.3 信號分離
11.3.1 正弦和尖峰的分離
11.3.2 進一步研究
11.4 圖像分離
11.4.1 實證研究
11.4.2 理論結果
參考文獻
人臉識別的稀疏表示
12.1 引言
12.2 問題公式表達：基于稀疏表示的分類
12.3 降維
12.4識別損壞的和遮擋的圖像
12.5 人臉對準
12.6 快速 最小化算法
12.7 建立一個完整的人臉識別系統(tǒng)
12.8 整個系統(tǒng)的評估
12.9 總結和討論
參考文獻
鄂公網安備 42010302001612號 