24小时热门版块排行榜    

CyRhmU.jpeg
查看: 8969  |  回复: 45

sysumeimei

金虫 (小有名气)


小木虫: 金币+0.5, 给个红包,谢谢回帖
压缩感知关键要素包括稀疏表示、测量矩阵和重构算法。
       信号在某种表示方式下的稀疏性,是压缩感知应用的理论基础。经典的稀疏化的方法有离散余弦变换(DCT)、傅里叶变换(FFT)、离散小波变换(DWT)等。
目前常用的测量矩阵包括随机高斯矩阵、随机贝努利矩阵、部分正交矩阵、部分哈达玛矩阵等
研究MRI和CS相结合的人能和分享学习心得不?
21楼2012-12-05 16:25:12
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

haconker

新虫 (初入文坛)


小木虫: 金币+0.5, 给个红包,谢谢回帖
楼主概念没搞懂·和我当年一样·
22楼2012-12-06 12:52:45
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

boloto

至尊木虫 (正式写手)


小木虫: 金币+0.5, 给个红包,谢谢回帖
测量矩阵里有没有创新的
23楼2012-12-23 21:36:25
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

sunny_lala

铜虫 (正式写手)

引用回帖:
3楼: Originally posted by sololee2010 at 2012-10-14 13:42:42
压缩感知只是借用稀疏表示为工具,来实现信号重构啊。  你要注意到CS的恢复矩阵A = Phi * Psi   和稀疏表示中字典D的区别。  多了一个测量矩阵Phi,这就是CS与稀疏表示的区别的地方。CS的关键是非相关测量,也就是P ...

解释得很好
24楼2012-12-26 17:12:55
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

swt1985

银虫 (正式写手)

送鲜花一朵
引用回帖:
3楼: Originally posted by sololee2010 at 2012-10-14 13:42:42
压缩感知只是借用稀疏表示为工具,来实现信号重构啊。  你要注意到CS的恢复矩阵A = Phi * Psi   和稀疏表示中字典D的区别。  多了一个测量矩阵Phi,这就是CS与稀疏表示的区别的地方。CS的关键是非相关测量,也就是P ...

学习了
25楼2013-01-05 14:54:49
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

zdxcuihua

铜虫 (著名写手)


小木虫: 金币+0.5, 给个红包,谢谢回帖
原来一直以为压缩感知必须要用稀疏表示来实现呢,看了几位高手的帖子,长了见识了呀,顶了!
26楼2013-01-06 10:13:31
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

diandiantjjq

银虫 (小有名气)


小木虫: 金币+0.5, 给个红包,谢谢回帖
送鲜花一朵
我最近也在思考这个问题,最初的时候,我觉得这两个东西的数学模型、目标函数都差不多,在求解过程中使用的算法也差不多,感觉区别在哪呢?压缩感知y = A*x,其中在求解目标函数过程中A是不动的,已知测量值y求,原始信号的稀疏解;而Y = D*x中,是要训练字典D,y是原始信号,x是对应的稀疏表示;
从上面稀疏表达和压缩感知的模型中,可以看出它们的核心问题是相通的,即在压缩测量y或原始信号y已知的情况下,结合预先定义的感知矩阵A或者字典A,利用L0,L1范数模型(可以是它们的融合,甚至可以加上L2范数[3]),求解到原始的稀疏信号x或者稀疏表达x,但是在压缩感知中,感知矩阵A一般是事先定义好的,可以取成高斯随机矩阵,或者是只有0和1的稀疏矩阵(binary sparse );也有人说压缩感知是稀疏表达的一个分支,具体是怎么理解的,也不知道是否正确。
27楼2013-01-17 20:44:59
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

nmwhx001

铜虫 (正式写手)


小木虫: 金币+0.5, 给个红包,谢谢回帖
学习了  
引用如下,简单明了:
压缩传感理论主要包括信号的稀疏表示、编码测量和重构算法等三个方面.信号的稀疏表示就是将信号投影到正交变换基时,可以将其看作原始信号的一种简洁表达.这是压缩传感的先验条件.在编码测量中,必须满
足约束等距性条件,最后, 运用重构算法重构原始信号.
28楼2013-01-21 12:43:35
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

chouchouNUDT

铜虫 (正式写手)

我也正在学习。
It will be better tomorrow.
29楼2013-02-06 17:33:26
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖

wanghl5311

木虫 (著名写手)


小木虫: 金币+0.5, 给个红包,谢谢回帖
引用回帖:
23楼: Originally posted by boloto at 2012-12-23 21:36:25
测量矩阵里有没有创新的

结构随机矩阵
Fast and Efficient Compressive Sensing Using Structurally Random Matrices. IEEE Transactions on Signal Processing (TSP) 60(1):139-154 (2012)
30楼2013-02-11 16:26:48
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖
相关版块跳转 我要订阅楼主 流之源 的主题更新
普通表情 高级回复(可上传附件)
信息提示
请填处理意见