Sparse Signal Reconstruction With Statistical Prior Information: A Data-Driven Method
Sparse Signal Reconstruction With Statistical Prior Information: A Data-Driven Method
复制标题
利用统计先验信息进行稀疏信号重建：一种数据驱动方法
DOI：
10.1109/access.2019.2950003
复制
发表时间：
2019-10
期刊：
影响因子：
3.9
通讯作者：
Li Yuanqing
中科院分区：
文献类型：
--
作者：
Liao Zhi;Zhang Jun;Hu D;an;Li Cheng;Zhu Lin;Li Yuanqing
加权最小化（Weighted $\ well _{1}$ minimization, WL1M）是一种用于从欠确定测量中重建稀疏信号的通用而强大的框架。WL1M性能的提高是由于它通过权值加入了信号的附加结构先验。然而，权重的选择依赖于现有作品中的手工设计，因此很难捕获信号的高阶结构先验。本文提出了一种数据驱动的方法RBM-WL1M来缓解这种情况。在RBM-WL1M中，使用受限玻尔兹曼机（rbm）从训练数据中学习信号的先验分布；此外，利用RBM，可以有效地估计信号中每个条目的高频支持集和非零概率，并使用这些支持集和非零概率来适当选择权重。在我们的实验中，所提出的框架在Physikalisch-Technische Bundesanstalt（PTB）诊断ECG数据集上表现出优于几种最先进的CS方法的性能。
Weighted $\ell _{1}$ minimization (WL1M) is a general and powerful framework for reconstructing sparse signals from underdetermined measurements. The performance improvement of WL1M owes to the incorporation of additional structural priors of signals by means of its weights. However, the selection of weights relies on hand-crafted designs in existing works, so that high-order structural priors of signals are hard to be captured. This paper proposes a data-driven method, namely RBM-WL1M, to alleviate this situation. In the RBM-WL1M, restricted Boltzmann machines (RBMs) are employed to learn the prior distribution of the signals from training data; furthermore, utilizing the RBM, high frequency support set and non-zero probabilities for each of the entries in signals can be estimated effectively, which are used to appropriately select the weights. In our experiments, the proposed framework demonstrates superior performance over several state-of-the-art CS methods on the Physikalisch-Technische Bundesanstalt(PTB) Diagnostic ECG Data set.
登录
查看更多内容
DOI：
10.1017/cbo9780511794308
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Gitta Kutyniok
通讯作者：
Gitta Kutyniok
影响因子：
5.4
作者：
Jun Zhang;U. Mitra;Kuan-Wen Huang;Nicolò Michelusi
通讯作者：
Jun Zhang;U. Mitra;Kuan-Wen Huang;Nicolò Michelusi
DOI：
10.1109/isit.2016.7541534
发表时间：
2016-07
期刊：
2016 IEEE International Symposium on Information Theory (ISIT)
影响因子：
--
作者：
Jun Zhang;U. Mitra;Kuan-Wen Huang;Nicolò Michelusi
通讯作者：
Jun Zhang;U. Mitra;Kuan-Wen Huang;Nicolò Michelusi
影响因子：
--
作者：
M. Welling
通讯作者：
M. Welling
多模态 BCI：意识障碍患者的目标检测、多维控制和意识评估
影响因子：
20.6
作者：
Li, Yuanqing;Pan, Jiahui;Wu, Wei
通讯作者：
Wu, Wei