本文關(guān)鍵詞： 壓縮感知 稀疏重構(gòu) 迭代重加權(quán) 稀疏貝葉斯學(xué)習(xí) 參數(shù)自動(dòng)調(diào)整　出處：《電子與信息學(xué)報(bào)》2014年06期 　論文類型：期刊論文

【摘要】：稀疏表示模型中的正則化參數(shù)由未知的噪聲和稀疏度共同決定,該參數(shù)的設(shè)置直接影響稀疏重構(gòu)性能的好壞。然而目前稀疏表示問題優(yōu)化求解算法或依靠主觀、或依靠相關(guān)先驗(yàn)信息、或經(jīng)過實(shí)驗(yàn)設(shè)置該參數(shù),均無法自適應(yīng)地設(shè)置調(diào)整該參數(shù)。針對(duì)這一問題,該文提出一種無需先驗(yàn)信息的參數(shù)自動(dòng)調(diào)整的稀疏貝葉斯學(xué)習(xí)算法。首先對(duì)模型中各參數(shù)進(jìn)行概率建模,然后在貝葉斯學(xué)習(xí)的框架下將參數(shù)設(shè)置及稀疏求解問題轉(zhuǎn)化為一系列混合L1范數(shù)與加權(quán)L2范數(shù)之和的凸優(yōu)化問題,最終通過迭代優(yōu)化得到參數(shù)設(shè)置和問題求解。由理論推導(dǎo)和仿真實(shí)驗(yàn)可知,已知理想?yún)?shù)時(shí),該算法與其它非自動(dòng)設(shè)置參數(shù)的迭代重加權(quán)算法性能相當(dāng),甚至更優(yōu);在理想?yún)?shù)未知時(shí),該算法的重構(gòu)性能要明顯優(yōu)于其它算法。
[Abstract]:The regularization parameters in sparse representation model are determined by unknown noise and sparse degree. The setting of these parameters directly affects the performance of sparse reconstruction. Either depending on the prior information or setting the parameter through experiment, it can not set and adjust the parameter adaptively. In this paper, a sparse Bayesian learning algorithm is proposed, in which the parameters are automatically adjusted without prior information. Firstly, the probabilistic modeling of each parameter in the model is carried out. Then the problem of parameter setting and sparse solution is transformed into a series of convex optimization problems of the sum of mixed L1 norm and weighted L2 norm under the framework of Bayesian learning. Finally, the parameter setting and problem solving are obtained by iterative optimization. The theoretical derivation and simulation results show that the performance of the algorithm is equivalent to that of other iterative reweighting algorithms with non-automatic parameters when the ideal parameters are known. Even better; When the ideal parameters are unknown, the reconstruction performance of this algorithm is obviously better than that of other algorithms.
【作者單位】： 電子工程學(xué)院;安徽省電子制約技術(shù)重點(diǎn)實(shí)驗(yàn)室;
【基金】：安徽省自然科學(xué)基金(1208085MF94,1308085QF99) 國(guó)家自然科學(xué)基金(61272333)資助課題
【分類號(hào)】：TN911.7
【正文快照】： 1引言近幾年來,基于稀疏表示的機(jī)器學(xué)習(xí)方法在各領(lǐng)域得到迅速發(fā)展。將稀疏表示的思想引入解決機(jī)器學(xué)習(xí)的問題,最初是由壓縮感知、稀疏表示在信號(hào)處理中的應(yīng)用啟發(fā)而來。兩個(gè)問題可抽象為統(tǒng)一的稀疏重構(gòu)問題來進(jìn)行描述。稀疏重構(gòu)任務(wù)可歸結(jié)安徽省自然科學(xué)基金(1208085MF94,1308

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王成儒,王金甲,李靜,胡正平;基于神經(jīng)網(wǎng)絡(luò)的說話人辨認(rèn)方法[J];微機(jī)發(fā)展;2003年05期

2 ;[J];;年期

3 ;[J];;年期

4 ;[J];;年期

5 ;[J];;年期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

相關(guān)博士學(xué)位論文 前3條

1 劉寅;基于稀疏信號(hào)重構(gòu)的空間譜估計(jì)算法研究[D];西安電子科技大學(xué);2012年

2 葉釩;基于信號(hào)稀疏表示的ISAR目標(biāo)特性增強(qiáng)技術(shù)[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年

3 郝崇清;基于時(shí)間序列的復(fù)雜腦網(wǎng)絡(luò)構(gòu)建與分析[D];天津大學(xué);2012年

相關(guān)碩士學(xué)位論文 前5條

1 楊凡;基于變分稀疏貝葉斯學(xué)習(xí)的頻譜檢測(cè)與定位[D];中南民族大學(xué);2013年

2 余循宜;稀疏信號(hào)處理在無線通信中的應(yīng)用[D];北京郵電大學(xué);2008年

3 陳曉芳;基于壓縮感知的寬帶頻譜檢測(cè)[D];中南民族大學(xué);2012年

4 何邦昱;基于快速稀疏貝葉斯學(xué)習(xí)算法的雷達(dá)數(shù)據(jù)融合技術(shù)研究[D];南京理工大學(xué);2014年

5 沈泉波;相關(guān)向量機(jī)在語(yǔ)音識(shí)別中的應(yīng)用研究[D];中北大學(xué);2013年

，

本文編號(hào)：1462329