在压缩感知中利用受限玻尔兹曼机和深度置信网络
机器学习
2017-08-02 v1
摘要
本文提出一种压缩感知方案，利用受限玻尔兹曼机和深度学习架构的表征能力，对属于同一类信号的稀疏模式先验分布进行建模。确定的概率分布随后用于最大后验（MAP）方法进行重建。先验分布的参数从训练数据中学习。此方法背后的动机是对稀疏表示系数之间的高阶统计依赖性进行建模，最终目标是改善重建效果。所提方法的性能在伯克利分割数据集和MNIST手写数字数据库上得到验证。
引用
@article{arxiv.1705.10500,
title = {Exploiting Restricted Boltzmann Machines and Deep Belief Networks in Compressed Sensing},
author = {Luisa F. Polania and Kenneth E. Barner},
journal= {arXiv preprint arXiv:1705.10500},
year = {2017}
}
备注
Accepted for publication at IEEE Transactions on Signal Processing