基于 K-Median 聚类的压缩参数估计性能
信息论
2017-07-07 v5 math.IT
摘要
压缩感知 在参数估计任务中引起了广泛关注，其中参数字典 对参数空间的采样收集信号观测，并在采样稠密时为感兴趣信号产生稀疏表示。虽然这种采样也会导致高字典相干性，但可以利用结构化稀疏模型来防止高相干字典元素同时出现在恢复信号中。然而，由此产生的方法严重依赖于最大允许相干性的仔细设定；此外，它们的保证并不涉及一般的参数估计性能。我们提议使用推土机距离，应用于一对真实和估计的 PD 系数向量，来衡量参数估计误差。我们正式分析了 EMD 与参数估计误差之间的联系，并表明与欧几里得距离相比，EMD 为参数估计性能提供了更合适的度量。此外，我们分析了先前描述的 K-median 聚类与 EMD 最优稀疏近似之间的关系，并利用它来开发改进的基于 PD 的参数估计算法。最后，我们的数值实验验证了我们的理论结果，并表明所提出的压缩参数估计算法比现有方法具有更好的性能。
引用
@article{arxiv.1412.6724,
title = {Performance of Compressive Parameter Estimation via K-Median Clustering},
author = {Dian Mo and Marco F. Duarte},
journal= {arXiv preprint arXiv:1412.6724},
year = {2017}
}
备注
41 pages, 8 figures; revision includes additional discussions and experiment