贪婪算法的稀疏分解问题仍然是寻找的巨大挑战由于通常很高,因此对于光谱库中观察到的数据而言,端部成员的最佳子集光谱库的相关性。 在这种情况下,一种称为递归的新颖贪婪算法基于字典的同时正交匹配追踪(RD-
使用匹配追踪法将源信号稀疏化,MATLAB代码,可直接使用。
针对基于压缩感知的压缩采样匹配追踪(CoSaMP)算法迭代次数严重依赖于信号稀疏度,候选原子冗余度大,从而导致最终的支撑原子集选择时间长、选择精度低等问题,提出一种基于双阈值的压缩采样匹配追踪算法.该
三种匹配追踪算法的C语言实现。 omp算法、cosamp算法、subspcae-pursuit算法。
为提高贪婪算法重构精度,提出带有回溯机制的基于限制等距性质阈值匹配追踪算法(restricted isometry propertity-based threshold mechanism MP,RI
压缩感知稀疏度自适应匹配追踪算法,不需稀疏度作为先验信息。又称为SAMP算法
该文提出一种多原子快速匹配追踪信号稀疏分解算法,并将其应用于静态图像编码。多原子匹配追踪通过每次迭代选取多个原子的形式,实现信号的快速稀疏分解。在此基础上,通过构造多尺度脊波字典实现图像的稀疏分解,并
基于改进的匹配追踪算法的信号稀疏分解 能够有效提取信号的特征值
对基于正交散焦光栅的M2因子测量系统进行了理论研究, 该测量系统可以同时测量光束束腰附近9个不同位置处的光强分布, 并由二阶矩方法计算束宽, 经双曲线拟合得到被测光束的M2因子。为了优化系统设计和提高
Implementation of 1-D Signal Compression Sensing (Orthogonal Matching Pursuit)
