将 CoSaMP 推广到来自低维线性子空间并的信号
数值分析
2019-11-26 v1 数值分析
摘要
信号存在于低维子空间并中的思想涵盖了许多低维模型，这些模型近十年来在许多领域和应用中被广泛使用。直到最近，绝大多数工作都是单独研究这些模型中的每一个。然而，一种新近的方法建议使用高斯平均宽度为低维模型提供一般理论，高斯平均宽度作为数据内在低维性的一种度量。在这项工作中，我们使用这种新方法研究流行的压缩采样匹配追踪（CoSaMP）算法的一个推广版本，并在测量矩阵为高斯的假设下，为来自低维线性子空间并的信号提供一般的恢复保证。我们讨论了我们的结果对特定模型的影响，并将推广算法作为灵感，提出一种用于组合稀疏合成与共稀疏分析模型中信号重建的新贪婪方法。我们进行的实验证明了所提出策略的有用性。
引用
@article{arxiv.1703.01920,
title = {Generalizing CoSaMP to Signals from a Union of Low Dimensional Linear Subspaces},
author = {Tom Tirer and Raja Giryes},
journal= {arXiv preprint arXiv:1703.01920},
year = {2019}
}