OMP算法学习笔记
来源:互联网 发布:指静脉识别算法源代码 编辑:程序博客网 时间:2024/05/02 02:20
OMP算法
参考文献
[1] Y. C. Pati, R. Rezaiifar, and P. S. Krishnaprasad, “Orthogonal matching pursuit: recursive function approximation with applications to wavelet decomposition,” in Proceedings of 27th Asilomar Conference on Signals, Systems and Computers, 1993, pp. 40–44 vol.1.
[2] J. A. Tropp and A. C. Gilbert, “Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit,” IEEE Transactions on Information Theory, vol. 53, no. 12, pp. 4655–4666, Dec. 2007.
https://cn.mathworks.com/help/wavelet/ug/matching-pursuit-algorithms.html
介绍
OMP算法用于信号恢复的稀疏近似,假设
算法的思想是对于信号
算法表述
算法表述如下
Tropp最先提出这种算法,算法的代码code
也可以参见这篇博客
% 1-D信号压缩传感的实现(正交匹配追踪法Orthogonal Matching Pursuit)% 测量数M>=K*log(N/K),K是稀疏度,N信号长度,可以近乎完全重构% 编程人--香港大学电子工程系 沙威 Email: wsha@eee.hku.hk% 编程时间:2008年11月18日% 文档下载: http://www.eee.hku.hk/~wsha/Freecode/freecode.htm % 参考文献:Joel A. Tropp and Anna C. Gilbert % Signal Recovery From Random Measurements Via Orthogonal Matching% Pursuit,IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,% DECEMBER 2007.clc;clear%% 1. 时域测试信号生成K=7; % 稀疏度(做FFT可以看出来)N=256; % 信号长度M=64; % 测量数(M>=K*log(N/K),至少40,但有出错的概率)f1=50; % 信号频率1f2=100; % 信号频率2f3=200; % 信号频率3f4=400; % 信号频率4fs=800; % 采样频率ts=1/fs; % 采样间隔Ts=1:N; % 采样序列x=0.3*cos(2*pi*f1*Ts*ts)+0.6*cos(2*pi*f2*Ts*ts)+0.1*cos(2*pi*f3*Ts*ts)+0.9*cos(2*pi*f4*Ts*ts); % 完整信号,由4个信号叠加而来%% 2. 时域信号压缩传感Phi=randn(M,N); % 测量矩阵(高斯分布白噪声)64*256的扁矩阵,Phi也就是文中说的D矩阵s=Phi*x.'; % 获得线性测量 ,s相当于文中的y矩阵%% 3. 正交匹配追踪法重构信号(本质上是L_1范数最优化问题)%匹配追踪:找到一个其标记看上去与收集到的数据相关的小波;在数据中去除这个标记的所有印迹;不断重复直到我们能用小波标记“解释”收集到的所有数据。m=2*K; % 算法迭代次数(m>=K),设x是K-sparse的Psi=fft(eye(N,N))/sqrt(N); % 傅里叶正变换矩阵T=Phi*Psi'; % 恢复矩阵(测量矩阵*正交反变换矩阵)hat_y=zeros(1,N); % 待重构的谱域(变换域)向量 Aug_t=[]; % 增量矩阵(初始值为空矩阵)r_n=s; % 残差值for times=1:m; % 迭代次数(有噪声的情况下,该迭代次数为K) for col=1:N; % 恢复矩阵的所有列向量 product(col)=abs(T(:,col)'*r_n); % 恢复矩阵的列向量和残差的投影系数(内积值) end [val,pos]=max(product); % 最大投影系数对应的位置,即找到一个其标记看上去与收集到的数据相关的小波 Aug_t=[Aug_t,T(:,pos)]; % 矩阵扩充 T(:,pos)=zeros(M,1); % 选中的列置零(实质上应该去掉,为了简单我把它置零),在数据中去除这个标记的所有印迹 aug_y=(Aug_t'*Aug_t)^(-1)*Aug_t'*s; % 最小二乘,使残差最小 r_n=s-Aug_t*aug_y; % 残差 pos_array(times)=pos; % 纪录最大投影系数的位置endhat_y(pos_array)=aug_y; % 重构的谱域向量hat_x=real(Psi'*hat_y.'); % 做逆傅里叶变换重构得到时域信号%% 4. 恢复信号和原始信号对比figure(1);hold on;plot(hat_x,'k.-') % 重建信号plot(x,'r') % 原始信号legend('Recovery','Original')norm(hat_x.'-x)/norm(x) % 重构误差
代码运行后的结果如下
一点感想
这是第一篇博客,写的比较随意。看到这句话很有感慨,如果你有时间、有条件、有氛围去学习和研究,请抓住机会,别等有一天你想搞点研究的时候发现你根本没有时间、没有条件、没有氛围……
学习这位博主的写法
- OMP算法学习笔记
- OMP学习笔记
- Orthogonal Matching Pursuit(OMP)正交匹配追踪算法学习笔记
- OMP算法
- OMP算法
- OMP算法
- MP和OMP算法
- MP及OMP算法
- OMP笔记(1)
- MP算法与OMP算法
- MP算法与OMP算法
- MP算法与OMP算法
- OMP算法的matlab实现
- 正交匹配追踪(OMP)算法
- MP算法和OMP算法及其思想
- MP算法和OMP算法及其思想
- MP算法和OMP算法及其思想
- MP算法和OMP算法及其思想
- 广播接收器——BroadcastReceiver
- libdai application
- MySQL中的自定义函数
- 1033. 旧键盘打字(20)
- java算法之插入排序
- OMP算法学习笔记
- 如何关闭 xcode 8 疯狂的日志log输出
- SSH框架整合
- Go语言的beego框架中的orm中的Read函数使用
- ARM SWI软中断
- 框架 day75 涛涛商城项目easyUI异步tree,图片上传(nginx),KindEditor使用,商品添加
- 通过HTML5 网页代码获取设备Sensor值
- arttemplate+ajax 转 vue
- Android开发之Fragment的加载方式