|
| 編輯推薦： |
|
高等院校电子学、通信技术等专业的硕士研究生和高年级本科生
|
| 內容簡介： |
|
数据压缩技术无处不在，信号之所以能够被压缩是因为信号本身具有很大的冗余性。"压缩感知"顾名思义，就是在感知／采样的过程中，自动剔除数据的冗余性，直接获取压缩版本的数据，不仅节省数据采集过程的成本，还能节省空间，极大地提高了采样效率。压缩感知理论指出稀疏的或具有稀疏表达的有限维数的信号可以利用远少于奈奎斯特采样数量的线性、非自适应的测量值无失真地重建出来。《压缩感知浅析》系统性地介绍了压缩感知的来世今生，深入浅出地介绍了压缩感知的理论基础和构成压缩感知框架所需的基本要素，例如，稀疏性、采样矩阵的约束等距特性和基于L1范数*小化的稀疏信号重建，同时有代表性地介绍了压缩感知在诸多领域中带来的革新和机遇。
|
| 目錄：
|
前言
第1章 绪论
参考文献
第2章 稀疏信号和可压缩信号模型
2.1 矢量空间简介
2.2 基和框架
2.3 稀疏性表达
2.3.1 一维信号模型
2.3.2 二维信号模型
2.4 可压缩信号
参考文献
第3章 采样矩阵
3.1 压缩感知的数学模型
3.2 零空间条件
3.2.1 斯巴克
3.2.2 零空间特性
3.3 约束等距性质
3.3.1 约束等距特性和稳定性
3.3.2 测量边界
3.4 约束等距特性和零空间特性
3.5 满足约束等距特性的矩阵
3.6 非相关性
参考文献
第4章 压缩感知的重建
4.1 基于l1范数最小化的稀疏信号重建
4.2 无噪声信号重建
4.3 有噪信号重建
4.3.1 边界噪声污染信号的重建
4.3.2 高斯噪声污染信号的重建
4.4 测量矩阵的校准
4.4.1 问题描述
4.4.2 非监督校准
4.4.3 仿真数据生成
4.4.4 仿真结果
参考文献
第5章 稀疏信号重建算法
5.1 稀疏信号重建算法
5.2 基于凸优化类算法
5.2.1 问题描述
5.2.2 线性规划
5.2.3 收缩循环迭代法
5.2.4 Bregman循环迭代法
5.3 贪婪算法
5.3.1 问题描述
5.3.2 匹配跟踪算法
5.3.3 正交匹配跟踪算法
5.3.4 逐步正交匹配跟踪算法
5.3.5 压缩感知匹配跟踪算法
5.3.6 正则化正交匹配追踪算法
5.3.7 循环硬门限法
5.3.8 子空间追踪算法
5.4 组合算法
5.4.1 问题描述
5.4.2 计数一最小略图法
5.4.3 计数中值略图法
5.5 贝叶斯方法
5.5.1 问题描述
5.5.2 基于信任扩散的稀疏重建方法
5.5.3 稀疏贝叶斯学习
5.5.4 贝叶斯压缩感知
参考文献
第6章 稀疏编码与字典学习
6.1 字典学习与矩阵分解
6.2 非负矩阵分解
6.3 端元提取
6.4 稀疏编码
6.4.1 最优方向法
6.4.2 K-SVD
参考文献
第7章 压缩感知的应用
7.1 基于压缩感知的单像素相机
7.2 压缩感知在激光雷达中的应用
7.3 压缩感知在模拟数字转换器中的应用
7.4 压缩感知在射电天文中的应用
7.4.1 去卷积
7.4.2 多频率合成
7.5 压缩感知在基因检测器中的应用
7.6 压缩感知在其他方面的应用
7.6.1 稀疏误差纠错
7.6.2 压缩感知在星载天文望远镜HERSCHEL中的应用
参考文献
附录A 压缩感知实例
参考文献
附录B Lenna图像趣闻
参考文献
后记
参考文献
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
