压缩感知重构算法之广义正交匹配追踪(gOMP)
来源:互联网 发布:文字转音频软件 编辑:程序博客网 时间:2024/05/17 16:43
压缩感知重构算法之广义正交匹配追踪(gOMP)
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OMP算法的一种推广,由文献[1]提出,第1作者本硕为哈工大毕业,发表此论文时在Korea University攻读博士学位。OMP每次只选择与残差相关最大的一个,而gOMP则是简单地选择最大的S个。之所以这里表述为“简单地选择”是相比于ROMP之类算法的,不进行任何其它处理,只是选择最大的S个而已。
0、符号说明如下:
压缩观测y=Φx,其中y为观测所得向量M×1,x为原信号N×1(M<<N)。x一般不是稀疏的,但在某个变换域Ψ是稀疏的,即x=Ψθ,其中θ为K稀疏的,即θ只有K个非零项。此时y=ΦΨθ,令A=ΦΨ,则y=Aθ。
(1) y为观测所得向量,大小为M×1
(2)x为原信号,大小为N×1
(3)θ为K稀疏的,是信号在x在某变换域的稀疏表示
(4) Φ称为观测矩阵、测量矩阵、测量基,大小为M×N
(5) Ψ称为变换矩阵、变换基、稀疏矩阵、稀疏基、正交基字典矩阵,大小为N×N
(6)A称为测度矩阵、传感矩阵、CS信息算子,大小为M×N
上式中,一般有K<<M<<N,后面三个矩阵各个文献的叫法不一,以后我将Φ称为测量矩阵、将Ψ称为稀疏矩阵、将A称为传感矩阵。
注意:这里的稀疏表示模型为x=Ψθ,所以传感矩阵A=ΦΨ;而有些文献中稀疏模型为θ=Ψx,而一般Ψ为Hermite矩阵(实矩阵时称为正交矩阵),所以Ψ-1=ΨH (实矩阵时为Ψ-1=ΨT),即x=ΨHθ,所以传感矩阵A=ΦΨH,例如沙威的OMP例程中就是如此。
1、gOMP重构算法流程:
2、广义正交匹配追踪(gOMP)MATLAB代码(CS_gOMP.m)
本代码完全是为了保证和前面的各算法代法格式一致,可以直接使用该实验室网站提供的代码[2]压缩包中的islsp_EstgOMP.m。
- function [ theta ] = CS_gOMP( y,A,K,S )
- %CS_gOMP Summary of this function goes here
- %Version: 1.0 written by jbb0523 @2015-05-08
- % Detailed explanation goes here
- % y = Phi * x
- % x = Psi * theta
- % y = Phi*Psi * theta
- % 令 A = Phi*Psi, 则y=A*theta
- % 现在已知y和A,求theta
- % Reference: Jian Wang, Seokbeop Kwon, Byonghyo Shim. Generalized
- % orthogonal matching pursuit, IEEE Transactions on Signal Processing,
- % vol. 60, no. 12, pp. 6202-6216, Dec. 2012.
- % Available at: http://islab.snu.ac.kr/paper/tsp_gOMP.pdf
- if nargin < 4
- S = round(max(K/4, 1));
- end
- [y_rows,y_columns] = size(y);
- if y_rows<y_columns
- y = y';%y should be a column vector
- end
- [M,N] = size(A);%传感矩阵A为M*N矩阵
- theta = zeros(N,1);%用来存储恢复的theta(列向量)
- Pos_theta = [];%用来迭代过程中存储A被选择的列序号
- r_n = y;%初始化残差(residual)为y
- for ii=1:K%迭代K次,K为稀疏度
- product = A'*r_n;%传感矩阵A各列与残差的内积
- [val,pos]=sort(abs(product),'descend');%降序排列
- Sk = union(Pos_theta,pos(1:S));%选出最大的S个
- if length(Sk)==length(Pos_theta)
- if ii == 1
- theta_ls = 0;
- end
- break;
- end
- if length(Sk)>M
- if ii == 1
- theta_ls = 0;
- end
- break;
- end
- At = A(:,Sk);%将A的这几列组成矩阵At
- %y=At*theta,以下求theta的最小二乘解(Least Square)
- theta_ls = (At'*At)^(-1)*At'*y;%最小二乘解
- %At*theta_ls是y在At)列空间上的正交投影
- r_n = y - At*theta_ls;%更新残差
- Pos_theta = Sk;
- if norm(r_n)<1e-6
- break;%quit the iteration
- end
- end
- theta(Pos_theta)=theta_ls;%恢复出的theta
- end
3、gOMP单次重构测试代码(CS_Reconstuction_Test.m)
以下测试代码基本与OMP单次重构测试代码一样。也可参考该实验室网站提供的代码[2]压缩包中的Test_gOMP.m。
- %压缩感知重构算法测试
- clear all;close all;clc;
- M = 128;%观测值个数
- N = 256;%信号x的长度
- K = 30;%信号x的稀疏度
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的,且位置是随机的
- Psi = eye(N);%x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta
- Phi = randn(M,N)/sqrt(M);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- %% 恢复重构信号x
- tic
- theta = CS_gOMP( y,A,K);
- x_r = Psi * theta;% x=Psi * theta
- toc
- %% 绘图
- figure;
- plot(x_r,'k.-');%绘出x的恢复信号
- hold on;
- plot(x,'r');%绘出原信号x
- hold off;
- legend('Recovery','Original')
- fprintf('\n恢复残差:');
- norm(x_r-x)%恢复残差
运行结果如下:(信号为随机生成,所以每次结果均不一样)
1) 图:
2)Command windows
Elapsedtime is 0.155937 seconds.
恢复残差:
ans=
2.3426e-014
4、信号稀疏度K与重构成功概率关系曲线绘制例程代码
以下测试代码为了与文献[1]的Fig.1作比较。由于暂未研究学习LP算法,所以相比于文献[1]的Fig.1)缺少LP算法曲线,加入了SP算法。以下测试代码与SAMP相应的测试代码基本一致,可以合并在一起运行,只须在主循环内多加几种算法重构就行。
- %压缩感知重构算法测试CS_Reconstuction_KtoPercentagegOMP.m
- % 绘制参考文献中的Fig.1
- % Reference: Jian Wang, Seokbeop Kwon, Byonghyo Shim. Generalized
- % orthogonal matching pursuit, IEEE Transactions on Signal Processing,
- % vol. 60, no. 12, pp. 6202-6216, Dec. 2012.
- % Available at: http://islab.snu.ac.kr/paper/tsp_gOMP.pdf
- % Elapsed time is 798.718246 seconds.(@20150509pm)
- clear all;close all;clc;
- %% 参数配置初始化
- CNT = 1000;%对于每组(K,M,N),重复迭代次数
- N = 256;%信号x的长度
- Psi = eye(N);%x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta
- M_set = [128];%测量值集合
- KIND = ['OMP ';'ROMP ';'StOMP ';'SP ';'CoSaMP ';...
- 'gOMP(s=3)';'gOMP(s=6)';'gOMP(s=9)'];
- Percentage = zeros(N,length(M_set),size(KIND,1));%存储恢复成功概率
- %% 主循环,遍历每组(K,M,N)
- tic
- for mm = 1:length(M_set)
- M = M_set(mm);%本次测量值个数
- K_set = 5:5:70;%信号x的稀疏度K没必要全部遍历,每隔5测试一个就可以了
- %存储此测量值M下不同K的恢复成功概率
- PercentageM = zeros(size(KIND,1),length(K_set));
- for kk = 1:length(K_set)
- K = K_set(kk);%本次信号x的稀疏度K
- P = zeros(1,size(KIND,1));
- fprintf('M=%d,K=%d\n',M,K);
- for cnt = 1:CNT %每个观测值个数均运行CNT次
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的,且位置是随机的
- Phi = randn(M,N)/sqrt(M);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- %(1)OMP
- theta = CS_OMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(1) = P(1) + 1;
- end
- %(2)ROMP
- theta = CS_ROMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(2) = P(2) + 1;
- end
- %(3)StOMP
- theta = CS_StOMP(y,A);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(3) = P(3) + 1;
- end
- %(4)SP
- theta = CS_SP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(4) = P(4) + 1;
- end
- %(5)CoSaMP
- theta = CS_CoSaMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(5) = P(5) + 1;
- end
- %(6)gOMP,S=3
- theta = CS_gOMP(y,A,K,3);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(6) = P(6) + 1;
- end
- %(7)gOMP,S=6
- theta = CS_gOMP(y,A,K,6);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(7) = P(7) + 1;
- end
- %(8)gOMP,S=9
- theta = CS_gOMP(y,A,K,9);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(8) = P(8) + 1;
- end
- end
- for iii = 1:size(KIND,1)
- PercentageM(iii,kk) = P(iii)/CNT*100;%计算恢复概率
- end
- end
- for jjj = 1:size(KIND,1)
- Percentage(1:length(K_set),mm,jjj) = PercentageM(jjj,:);
- end
- end
- toc
- save KtoPercentage1000gOMP %运行一次不容易,把变量全部存储下来
- %% 绘图
- S = ['-ks';'-ko';'-yd';'-gv';'-b*';'-r.';'-rx';'-r+'];
- figure;
- for mm = 1:length(M_set)
- M = M_set(mm);
- K_set = 5:5:70;
- L_Kset = length(K_set);
- for ii = 1:size(KIND,1)
- plot(K_set,Percentage(1:L_Kset,mm,ii),S(ii,:));%绘出x的恢复信号
- hold on;
- end
- end
- hold off;
- xlim([5 70]);
- legend('OMP','ROMP','StOMP','SP','CoSaMP',...
- 'gOMP(s=3)','gOMP(s=6)','gOMP(s=9)');
- xlabel('Sparsity level K');
- ylabel('The Probability of Exact Reconstruction');
- title('Prob. of exact recovery vs. the signal sparsity K(M=128,N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本(4GB DDR3内存,i5-3210)上运行共耗时798.718246秒,程序中将所有数据均通过“save KtoPercentage1000gOMP”存储了下来,以后可以再对数据进行分析,只需“load KtoPercentage1000gOMP”即可。
本程序运行结果:
文献[1]中的Fig.1:
5、结语
我很好奇:为什么相比于OMP算法就是简单每次多选几列,重构效果为什么这么好?居然比复杂的ROMP、CoSaMP、StOMP效果还要好……
该课题组还提出了MMP算法,可参见文献[3]。更多关于该课题组的信息可去官方网站查询:http://islab.snu.ac.kr/,也可直接查看发表的文章:http://islab.snu.ac.kr/publication.html。
文献[1]最后有两个TABLE,分别是算法的流程和复杂度总结:
谁能告诉我TABLE I表头中的DELETE在这里是什么意思啊?不是删除的意思么?
6、参考文献
【1】Jian Wang, Seokbeop Kwon,Byonghyo Shim. Generalized orthogonalmatching pursuit, IEEE Transactions on Signal Processing, vol. 60, no. 12, pp.6202-6216, Dec. 2012.
Available at: http://islab.snu.ac.kr/paper/tsp_gOMP.pdf
【2】http://islab.snu.ac.kr/paper/gOMP.zip
【3】S. Kwon, J. Wang andB. Shim, Multipath matching pursuit, IEEE Transactions on Information Theory,vol. 60, no. 5, pp. 2986-3001, May 2014.
Available at: http://islab.snu.ac.kr/paper/TIT_MMP2014.pdf
- • 压缩感知重构算法之压缩采样匹配追踪(CoSaMP)
- • 深度学习部署系统构建--刘文志
- • 压缩感知重构算法之子空间追踪(SP)
- • 搜狗机器翻译技术分享--陈伟
- • matlab绘制多曲线对比图
- • Hadoop生态系统零基础入门
- • 使用l1-magic工具箱求解基追踪(BP)和基追踪降噪(BPDN)
- • 最懂程序员的学习方式 TensorFlow入门
- • 压缩感知稀疏基之离散小波变换
- • Retrofit 从入门封装到源码解析
- • 压缩感知重构算法之Gradient Descent with Sparsification(GraDeS)
- • 程序员如何转型AI工程师--蒋涛
- • 压缩感知重构算法之迭代硬阈值(IHT)
- • 压缩感知重构算法之稀疏度自适应匹配追踪(SAMP)
- • 为什么正交匹配追踪(OMP)一定能恢复信号?
- • 压缩感知正交匹配追踪重构算法
- 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)
- 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正交匹配追踪(OMP)
- 压缩感知重构算法之正交匹配追踪(OMP)
- 压缩感知重构算法之正交匹配追踪(OMP)
- 压缩感知重构算法之正交匹配追踪(OMP)
- 压缩感知重构算法之正则化正交匹配追踪(ROMP)
- 压缩感知重构算法之分段正交匹配追踪(StOMP)
- 压缩感知重构算法之分段弱正交匹配追踪(SWOMP)
- 压缩感知重构算法之正则化正交匹配追踪(ROMP)
- 压缩感知重构算法之正则化正交匹配追踪(ROMP)
- 压缩感知重构算法之分段弱正交匹配追踪(SWOMP)
- 【转载】压缩感知重构算法之正交匹配追踪(OMP)
- 压缩感知重构算法之正则化正交匹配追踪(ROMP)
- 压缩感知重构算法之正交匹配追踪(OMP)
- 压缩感知重构算法之逐步正交匹配追踪(StOMP)
- 压缩感知重构算法之正则化正交匹配追踪(ROMP)
- 突破微信小程序模板消息的推送限制
- [DeeplearningAI笔记]改善深层神经网络_优化算法2.1_2.2_mini-batch梯度下降法
- indea创建部署gralde项目
- 笨方法学习Python-习题25: 更多更多的练习
- apply()
- 压缩感知重构算法之广义正交匹配追踪(gOMP)
- mycat数据库中间件
- InterruptedException详解
- linux使用sed命令
- 线程中断,interrupt(),interrupted,isInterrupted()
- Git多SSH账号管理
- Linux鸟哥的私房菜-认识系统服务(1)daemon
- linux下FTP服务启动与关闭命令
- SdutAcm-OJ平台 正方形 (java)