RL-NCS：基于强化学习的数据驱动非均匀压缩感知方法
机器学习
2021-07-05 v1 信息论
信号处理
math.IT
摘要
介绍了一种针对时变信号的基于强化学习的非均匀压缩感知（NCS）框架。所提方案称为 RL-NCS，旨在通过在一组称为感兴趣区域（ROI）系数与非 ROI 系数的信号两类系数之间最优且自适应地分配感知能量，来提升信号恢复性能。ROI 中的系数通常具有更高的重要性，且相较于非 ROI 系数需要以更高精度重建。为完成此任务，在每一步利用两种特定方法预测 ROI。其中一种方法融合长短期记忆（LSTM）网络进行预测；另一种方法利用先前的 ROI 信息预测下一步 ROI。利用探索-利用技术，一个 Q 网络学习选择最佳方法来设计测量矩阵。此外，引入了联合损失函数用于 Q 网络与 LSTM 网络的高效训练。结果表明，即便对于快速变化信号与减少的测量次数，我们所提方法也取得了显著的性能增益。
引用
@article{arxiv.2107.00838,
title = {RL-NCS: Reinforcement learning based data-driven approach for nonuniform compressed sensing},
author = {Nazmul Karim and Alireza Zaeemzadeh and Nazanin Rahnavard},
journal= {arXiv preprint arXiv:2107.00838},
year = {2021}
}