通过深度自编码器与并行坐标下降展开实现联合稀疏信号恢复
应用统计
2020-10-14 v3
摘要
本文利用压缩感知、并行优化与深度学习技术，基于实值标准自编码器结构，提出一种模型驱动方法，联合设计复杂稀疏信号的公共测量矩阵与基于 GROUP LASSO 的联合稀疏信号恢复方法。编码器借助公共测量矩阵对联合稀疏信号进行含噪线性压缩。基于 GROUP LASSO 的解码器依据所提出的迭代并行坐标下降（PCD）算法实现联合稀疏信号恢复，该算法以并行方式求解 GROUP LASSO。特别地，解码器由近似部分与校正部分组成：近似部分将所提迭代算法展开（若干次迭代）以获得 GROUP LASSO 的近似解，校正部分减小近似解与实际联合稀疏信号间的差异。所提模型驱动方法比经典 GROUP LASSO 方法以更少计算时间获得更高恢复精度，且当稀疏模式存在额外结构时增益显著增大。该模型驱动方法所得公共测量矩阵亦适用于经典 GROUP LASSO 方法。我们考虑了一个应用实例，即基于多输入多输出（MIMO）的无授权随机接入中的信道估计，该接入旨在支持物联网（IoT）的大规模机器类通信（mMTC）。数值结果表明，当联合稀疏信号数量不太大时，所提模型驱动方法相较 GROUP LASSO 与 AMP 具有显著增益。
引用
@article{arxiv.2002.02627,
title = {Meta-Analysis of Generalized Additive Models in Neuroimaging Studies},
author = {Øystein Sørensen and Andreas M Brandmaier and Dídac Macià and Klaus Ebmeier and Paolo Ghisletta and Rogier A Kievit and Athanasia M Mowinckel and Kristine B Walhovd and Rene Westerhausen and Anders Fjell},
journal= {arXiv preprint arXiv:2002.02627},
year = {2020}
}