压缩感知重构算法—

SP（subspace pursuit）算法是压缩感知中一种非常重要的贪婪算法，它有较快的计算速度和较好的重构概率，在实际中应用较多。本文给出了SP算法的matlab代码，以及相应的测试函数。

参考文献：Dai W, Milenkovic O. Subspace pursuit for compressive sensing signal reconstruction[J]. Information Theory, IEEE Transactions on, 2009, 55(5): 2230-2249.

文献下载地址：http://arxiv.org/pdf/0803.0811.pdf

Matlab代码：

SP_paper.m

function x=SP_paper(Phi,y,K)
%SP算法%获取Phi矩阵的行数和列数
[M,N]=size(Phi);%初始化步骤
%将Phi的每列与y做相关，得到一个N*1的矩阵(列向量)
correlation=Phi'*y;
%对correlation取绝对值后排序，按从大到小的顺序
[var,pos] = sort(abs(correlation),'descend');
%声明一个空集T，用于记录Phi的列数标值
T=[];T=union(T,pos(1:K));
y_r=resid_paper(y,Phi(:,T));%迭代
%使用如下形式的do---while结构
% while(1)
%     if(condition)
%         break;
%     end
% end
count=1;
while(1)%根据残差计算待增加的列数，得到T_addcorrelation=Phi'*y_r;[var,pos] = sort(abs(correlation),'descend');T_add=union([],pos(1:K));%合并已有的T和T_addT=union(T,T_add);%x_p=((Phi(:,T)'*Phi(:,T))\eye(length(T)))*Phi(:,T)'*y;%proj_paper(y,Phi(:,T));%更新下标记录T[var,pos] = sort(abs(x_p),'descend');%取前K个最大值T=union([],T(pos(1:K)));%计算新的残差y_r_n=resid_paper(y,Phi(:,T));%判断是否退出循环,且置为最大迭代100次if(norm(y_r_n)>=norm(y_r) || count>100)break;end%若不退出循环,进行新一轮的迭代y_r=y_r_n;count=count+1;
end%退出循环后，做最后的数据输出
x=zeros(N,1);
x(T)=((Phi(:,T)'*Phi(:,T))\eye(length(T)))*Phi(:,T)'*y;endfunction y_r=resid_paper(y,Phi)
%计算y在Phi上的投影残差%获取矩阵Phi的行数和列数,M没有用
[M,N]=size(Phi);%判断矩阵(Phi'*Phi)是否可逆
if(rank(Phi'*Phi)~=N)error('矩阵不可逆');
endy_p=Phi*((Phi'*Phi)\eye(N))*Phi'*y;
y_r=y-y_p;
end

测试代码：

dataGen.m

function [y,Phi,x]=dataGen(M,N,K)
% 产生贪婪算法所需要的数据%生成-1/+1的原始信号x
x = zeros(N,1);
q = randperm(N); %y=randperm(n),是把1到n这些数随机打乱得到的一个数字序列。
x(q(1:K)) = sign(randn(K,1));%生成测量矩阵Phi
Phi = randn(M,N);
Phi = orth(Phi')';  %求矩阵正交基,B = orth(A),B的列向量是正交向量%生成观测向量
y = Phi*x;end

SP_main.m

clear;clc;%信号长度
N = 256;
%信号满足K-稀疏
K = 30;
%观测向量的长度
M = 128;[y,Phi,x] = dataGen(M,N,K);xp = SP_paper(Phi,y,K);
% [xp,support,iterCount]=SP_res(Phi,y,K);figure
subplot(3,1,1),stem(x,'.'),title('原始'),axis([0,N,-1,1])
subplot(3,1,2),stem(xp,'.'),title('重构'),axis([0,N,-1,1])
subplot(3,1,3),stem(abs(xp-x),'.'),title('残差'),axis([0,N,0,max(abs(xp-x))])

压缩感知重构算法——SP算法相关推荐

压缩感知重构算法之IHT算法python实现
压缩感知重构算法之OMP算法python实现压缩感知重构算法之CoSaMP算法python实现压缩感知重构算法之SP算法python实现压缩感知重构算法之IHT算法python实现压缩感知重构 ...
压缩感知重构算法之迭代硬阈值(Iterative Hard Thresholding,IHT)
转载自:https://blog.csdn.net/wyw921027/article/details/52102211 题目:压缩感知重构算法之迭代硬阈值(Iterative Hard Thresh ...
压缩感知重构算法之迭代硬阈值(IHT)
题目:压缩感知重构算法之迭代硬阈值(Iterative Hard Thresholding,IHT) 本篇来介绍IHT重构算法.一般在压缩感知参考文献中,提到IHT时一般引用的都是文献[1],但IHT ...
压缩感知重构算法之广义正交匹配追踪(gOMP)
压缩感知重构算法之广义正交匹配追踪(gOMP) 转载自彬彬有礼的专栏题目:压缩感知重构算法之广义正交匹配追踪(gOMP) 广义正交匹配追踪(Generalized OMP, gOMP)算法可以看作为 ...
浅谈压缩感知（二十八）：压缩感知重构算法之广义正交匹配追踪(gOMP)
浅谈压缩感知(二十八):压缩感知重构算法之广义正交匹配追踪(gOMP) 主要内容: gOMP的算法流程 gOMP的MATLAB实现一维信号的实验与结果稀疏度K与重构成功概率关系的实验与结果一.g ...
浅谈压缩感知（三十一）：压缩感知重构算法之定点连续法FPC
主要内容: FPC的算法流程 FPC的MATLAB实现一维信号的实验与结果基于凸优化的重构算法基于凸优化的压缩感知重构算法. 约束的凸优化问题: 去约束的凸优化问题: 在压缩感知中,J函数和H函 ...
浅谈压缩感知（二十一）：压缩感知重构算法之正交匹配追踪（OMP）
主要内容: OMP的算法流程 OMP的MATLAB实现一维信号的实验与结果测量数M与重构成功概率关系的实验与结果稀疏度K与重构成功概率关系的实验与结果一.OMP的算法流程二.OMP的MATL ...
压缩感知重构算法综述-学习笔记
论文信息:李珅,马彩文,李艳,陈萍.压缩感知重构算法综述[J].红外与激光工程,2013,42(S1):225-232. 目录文章工作: 问题一:压缩感知涉及三个比较重要的层面问题二:压缩感知理论 ...
压缩感知重构算法之迭代软阈值(IST)
题目:压缩感知重构算法之迭代软阈值(IST) 看懂本篇需要有以下两篇作为基础: (1)软阈值(Soft Thresholding)函数解读 (2)Majorization-Minimization优化 ...
压缩感知重构算法之正交匹配追踪(OMP)
题目:压缩感知重构算法之正交匹配追踪(OMP) 前面经过几篇的基础铺垫,本篇给出正交匹配追踪(OMP)算法的MATLAB函数代码,并且给出单次测试例程代码.测量数M与重构成功概率关系曲线绘制例程代码. ...

压缩感知重构算法——SP算法

压缩感知重构算法——SP算法相关推荐

最新文章

热门文章