• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

压缩感知中迂回式匹配追踪算法

裴廷睿, 杨术, 李哲涛, 谢井雄

裴廷睿, 杨术, 李哲涛, 谢井雄. 压缩感知中迂回式匹配追踪算法[J]. 计算机研究与发展, 2014, 51(9): 2101-2107. DOI: 10.7544/issn1000-1239.2014.20131148
引用本文: 裴廷睿, 杨术, 李哲涛, 谢井雄. 压缩感知中迂回式匹配追踪算法[J]. 计算机研究与发展, 2014, 51(9): 2101-2107. DOI: 10.7544/issn1000-1239.2014.20131148
shu
Pei Tingrui, Yang Shu, Li Zhetao, Xie Jingxiong. Detouring Matching Pursuit Algorithm in Compressed Sensing[J]. Journal of Computer Research and Development, 2014, 51(9): 2101-2107. DOI: 10.7544/issn1000-1239.2014.20131148
Citation: Pei Tingrui, Yang Shu, Li Zhetao, Xie Jingxiong. Detouring Matching Pursuit Algorithm in Compressed Sensing[J]. Journal of Computer Research and Development, 2014, 51(9): 2101-2107. DOI: 10.7544/issn1000-1239.2014.20131148
shu
裴廷睿, 杨术, 李哲涛, 谢井雄. 压缩感知中迂回式匹配追踪算法[J]. 计算机研究与发展, 2014, 51(9): 2101-2107. CSTR: 32373.14.issn1000-1239.2014.20131148
引用本文: 裴廷睿, 杨术, 李哲涛, 谢井雄. 压缩感知中迂回式匹配追踪算法[J]. 计算机研究与发展, 2014, 51(9): 2101-2107. CSTR: 32373.14.issn1000-1239.2014.20131148
shu
Pei Tingrui, Yang Shu, Li Zhetao, Xie Jingxiong. Detouring Matching Pursuit Algorithm in Compressed Sensing[J]. Journal of Computer Research and Development, 2014, 51(9): 2101-2107. CSTR: 32373.14.issn1000-1239.2014.20131148
Citation: Pei Tingrui, Yang Shu, Li Zhetao, Xie Jingxiong. Detouring Matching Pursuit Algorithm in Compressed Sensing[J]. Journal of Computer Research and Development, 2014, 51(9): 2101-2107. CSTR: 32373.14.issn1000-1239.2014.20131148
shu

压缩感知中迂回式匹配追踪算法

  • 1(湘潭大学信息工程学院 湖南湘潭 411105)

  • 2(智能计算与信息处理教育部重点实验室(湘潭大学) 湖南湘潭 411105)

  • 3(国防科学技术大学计算机学院 长沙 410073) (chu5044130@sohu.com)

基金项目: 国家自然科学基金项目(61372049,61379115,61100215,61311140261,61070180)；湖南省自然科学基金项目(13JJ8006,12JJ9021)；湖南省科技厅科技计划项目(2011GK3200)；湖南省重点学科建设项目
详细信息

  • 中图分类号: TP391

Detouring Matching Pursuit Algorithm in Compressed Sensing

  • 1(College of Information Engineering, Xiangtan University, Xiangtan, Hunan 411105)

  • 2(Key Laboratory of Intelligent Computing & Information Processing (Xiangtan University), Ministry of Education, Xiangtan, Hunan 411105)

  • 3(School of Computer, National University of Defense Technology, Changsha 410073)

摘要

    摘要
  • 摘要: 迂回式匹配追踪(detouring matching pursuit, DMP)是一种计算复杂度低、准确率高、对传感矩阵列相关性要求低的贪婪重构稀疏信号算法.DMP中子内积逆和系数矩阵递增递减核心式被提出并证明，DMP利用子内积逆和系数矩阵减少残差误差变化量的计算量，达到降低计算复杂度的目的.另外，DMP采用先逐个最优缩减、后逐个最优扩增假定支撑集元素的方法提高重构准确率和扩大重构稀疏信号的稀疏度范围.DMP算法复杂度分析表明，DMP算法中获取、缩减和扩增假定支撑集的复杂度分别为O(K2N),O(b(K－b)N)和O(b(K－b)N).加权间接重构0-1稀疏信号实验结果表明，对于稀疏度为M/2的0-1稀疏信号，DMP、逐步贪婪追踪(greedy pursuit algorithm, GPA)、子空间追踪(subspace pursuit, SP)、压缩采样追踪(compressive sampling matching pursuit, CoSaMP)、正交匹配追踪(orthogonal matching pursuit, OMP)的重构准确率分别为99%,65%,0%,0%和13%.非零值服从正态分布的稀疏信号实验结果也表明DMP的重构准确率优势显著.
    Abstract: Detouring matching pursuit (DMP) is a greedy algorithm of reconstructive sparse signals with low computational complexity, high accuracy and low column-correlation demand for sensing matrix. The increasing and deceasing formulas of the submatrix's inner-product and the coefficient matrix in the DMP are put forward and proved. By using the inverse of submatrix's inner-product and the coefficient matrix, DMP could reduce the amount of calculation of residual error's variable quantity and obtain light computation complexity in the end. In addition, by using the method of decreasing firstly, and then increasing the element of the assumed support set one by one optimally, DMP could improve the reconstructive accuracy and broaden the range of sparsity of reconstructing the sparse signal. The analysis of algorithmic complexity shows that the algorithmic complexity of getting, deceasing and increasing the assumed support set is O(K2N), O(b(K－b)N) and O(b(K－b)N), respectively. The experiment of indirect reconstructive weighted 0-1 sparse signal shows the reconstructive accuracy of the DMP, greedy pursuit algorithm (GPA), subspace pursuit (SP), compressive sampling matching pursuit (CoSaMP) and orthogonal matching pursuit (OMP) are 99%, 65%, 0%, 0% and 13% separately for 0-1 sparse signal with M/2 sparsity. The experiments of sparse signals in which the non-zero values obey normal distribution also show the reconstruction accuracy of DMP has obvious superiority.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(47)

  • 期刊类型引用(18)

    1. 苏小红，郑伟宁，蒋远，魏宏巍，万佳元，魏子越. 基于学习的源代码漏洞检测研究与进展. 计算机学报. 2024(02): 337-374 . 百度学术
    2. 刘忠鑫，唐郅杰，夏鑫，李善平. 代码变更表示学习及其应用研究进展. 软件学报. 2023(12): 5501-5526 . 百度学术
    3. 奚建飞，王志英，邹文景，甘莹. 基于深度学习的非结构化表格文档数据抽取方法. 微型电脑应用. 2022(02): 102-105 . 百度学术
    4. 钱忠胜，宋佳，俞情媛，成轶伟，孙志旺. 利用函数影响力的相似程序间测试用例重用与生成. 电子学报. 2022(07): 1696-1707 . 百度学术
    5. 张祥平，刘建勋. 基于深度学习的代码表征及其应用综述. 计算机科学与探索. 2022(09): 2011-2029 . 百度学术
    6. 魏敏，张丽萍，闫盛. 基于程序向量树和聚类的学生程序算法识别方法. 计算机工程与设计. 2022(10): 2790-2798 . 百度学术
    7. 汶东震，张帆，刘海峰，杨亮，徐博，林原，林鸿飞. 深度程序理解视角下代码搜索研究综述. 计算机工程与应用. 2022(20): 63-72 . 百度学术
    8. 王一凡，赵逢禹，艾均. 面向基本路径学习的代码自动命名. 小型微型计算机系统. 2022(11): 2302-2307 . 百度学术
    9. 杨静宜，崔建弘，庞雅静. 基于特征深度学习的机器人协调操作感知控制. 计算机仿真. 2021(01): 307-311 . 百度学术
    10. 赵乐乐，张丽萍. 代码注释自动生成研究进展. 计算机应用研究. 2021(04): 982-989 . 百度学术
    11. 陈翔，杨光，崔展齐，孟国柱，王赞. 代码注释自动生成方法综述. 软件学报. 2021(07): 2118-2141 . 百度学术
    12. 谢春丽，梁瑶，王霞. 深度学习在代码表征中的应用综述. 计算机工程与应用. 2021(20): 53-63 . 百度学术
    13. 魏敏，张丽萍. 代码搜索方法研究进展. 计算机应用研究. 2021(11): 3215-3221+3230 . 百度学术
    14. 李眩，吴晓兵，童百利. 基于动态模糊聚类的数据挖掘研究——以安徽城市综合实力分析为例. 贵阳学院学报(自然科学版). 2020(01): 52-57 . 百度学术
    15. 池昊宇，陈长波. 基于神经网络的循环分块大小预测. 计算机科学. 2020(08): 62-70 . 百度学术
    16. 景艳娥. 基于深度学习技术的语法纠错算法模型构建分析. 信息技术. 2020(09): 143-147+152 . 百度学术
    17. 霍丽春，张丽萍. 代码注释演化及分类研究综述. 内蒙古师范大学学报(自然科学汉文版). 2020(05): 423-432 . 百度学术
    18. 何后裕，王炳鑫. 基于深度学习的综合性共享数据匹配算法研究. 电子设计工程. 2020(20): 111-115 . 百度学术

    其他类型引用(29)

    • 资源附件(0)
计量
  • 文章访问数:  1820
  • HTML全文浏览量:  0
  • PDF下载量:  3450
  • 被引次数: 47
出版历程
  • 发布日期:  2014-08-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(47)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计