论文部分内容阅读
压缩感知(CS)理论已经表明,从少量的测量数据中可以精确恢复原始稀疏信号,且测量矩阵满足约束等距性(RIP)是CS理论精确重构原稀疏信号的充分条件。本文对CS理论非凸优化lp(0<p<1)模型研究,主要分为两个部分。设测量矩阵关于常数δ2k满足2k阶的RIP条件,文中证明了当有限等距常数(RIC)δ2k在某可行域内,对任意k-sparse信号都可以通过lp模型精确恢复。文中首先得到的结果为δ2k<δresult(p),其中δresult(p)是关于p单调递减的函数,且不小于0.4208。在其基础上,又进一步优化,得到δ2k<0.4531。虽然该结果已有学者研究出来,但文中是将RIC的界以某个关于p的函数表示出来。 本文第二个贡献对非凸优化模型构造稀疏信号重建算法。lp(0<p<1)优化问题是NP-hard,文中构造了两种算法:快速迭代加权最小二乘(FIRLS)算法和最小P乘追踪(LPMP)算法。FIRLS算法是在迭代加权最小二乘(IRLS)基础上改进的,在很大程度上提高了运行速度。FIRLS算法尽量保证在每一步迭代中求得的解优于前一步迭代。LPMP算法是基于目标函数min‖·‖p,并采用匹配追踪算法(MP)和IRLS算法的思想。LPMP算法在每一步迭代中取能使‖·‖p最小,原信号所对应的前一个或多个位置。该算法不仅加快了恢复速度,也提高了重效果。文中并将这两种算法应用于具体数据中,将其恢复效果与IRLS算法等进行比较。