基于多重解析字典学习和观测矩阵优化的压缩感知

基于多尺度变换的压缩感知目标跟踪算法研究张雷; 薛大燕【期刊名称】《《数字技术与应用》》【年(卷),期】2019(037)009【总页数】2页(P123-124)【关键词】压缩感知; 哈尔特征; 贝叶斯分类器【作者】张雷; 薛大燕【作者单位】沈阳航空航天大学电子信息工程学院辽宁沈阳 110136【正文语种】中文【中图分类】TP3910 引言目标跟踪的鲁棒性必须满足高稳定性和实时性这两个相互竞争的要求。

压缩感知指出,原始的高维稀疏或可压缩信号可以由低维信号重构,低维信号的维数远远小于奈奎斯特采样数。

本文提出根据哈尔特征的维数自适应地确定矩阵的稀疏性和列数的方法改变目标跟踪矩形区域尺寸。

1 基本原理1.1压缩感知和随机投影理论一个维度为n×m的随机矩阵R,可以将一个高维图像空间x(m维)变换到一个低维空间v(n维)：其中n ＜＜m。

理想情况下,我们期望R提供一个稳定的嵌入,当从高维投影到低维时,在任何稀疏信号中近似保留显著信息。

这种稳定嵌入的一个充要条件是,它近似地保留了任何稀疏信号对之间的距离。

1.2 贝叶斯分类器对于每个样本,低维为v,假定v中各元素独立,可用朴素贝叶斯分类器来建模,具体如下式所示。

4个参数按式(4)和(5)进行遗忘更新：1.3 实时压缩跟踪算法给定观察集Ot={o1,……,ot}到坐标系t：是具有平移xt,yt和比例st的目标状态,是基于先前状态st-1预测状态st的运动模型。

通过对一组N个粒子的后验估计达到最优状态：(7)中的观测模型对鲁棒跟踪起着关键作用：ct是第t帧的目标模板,上式是基于复杂单元特征的第t帧的第i个候选样本表示,其元素定义为：ct(i)表示ct的第i个元素。

利用增量更新方案,观察模型能够适应目标外观变化,同时缓解漂移问题。

2 多尺度变换压缩跟踪算法2.1 哈尔特征向量的维数当由边缘、线和中心周围特征三种矩形特征构成哈尔特征向量时,图像区域的哈尔特征向量的维数可以由：其中n为哈尔特征向量的维数,对于大小不同的目标,自适应地设置哈尔特征向量的维数,即自适应矩阵的列数。

分布式压缩感知理论研究综述及应用分布式压缩感知是一种集合了压缩感知和分布式信号处理技术的新型信号采样和重构方法。

它可以有效地降低采样数据的大小，减少数据传输和存储的成本，并且可以在分布式环境中实现对信号的准确重构。

本文就分布式压缩感知的理论研究和应用进行综述，通过对该领域的研究进展和应用前景进行分析，展示了分布式压缩感知在信号处理领域的重要意义和潜在价值。

一、分布式压缩感知的基本原理分布式压缩感知技术将压缩感知理论应用于分布式信号处理系统中，实现了在采样端进行压缩，并在重构端对信号进行准确还原。

它主要包括信号的采样、测量矩阵的设计、信号的重构这三个基本环节。

1. 信号的采样传统的信号采样通常是采用奈奎斯特采样定理，即采样频率要大于信号的最高频率成分。

而分布式压缩感知采用的是压缩采样，即采用远远小于奈奎斯特采样频率的采样率。

这样可以有效减少采样数据的大小，降低数据传输和存储的成本。

2. 测量矩阵的设计在分布式压缩感知中，测量矩阵的设计是非常关键的一步。

它决定了采样得到的投影数据，从而影响信号的重构效果。

常见的测量矩阵包括随机测量矩阵、稀疏测量矩阵等。

在分布式压缩感知中，信号的重构是指利用采样数据和测量矩阵来恢复原始信号。

常用的信号重构方法包括基于稀疏表示的重构算法、基于字典学习的重构算法等。

近年来，分布式压缩感知在信号处理领域取得了许多研究进展。

研究者们提出了许多新的理论方法和算法，丰富了分布式压缩感知的理论体系，推动了该领域的发展。

1. 分布式压缩感知的优化算法针对分布式压缩感知中的信号重构问题，研究者们提出了许多优化算法，如迭代硬阈值算法、基于二阶范数的重构算法等，这些算法在信号重构的准确性和计算效率上都取得了显著的进展。

分布式压缩感知不仅在通信和图像处理领域有着广泛的应用，还在生物医学、环境监测、无线传感器网络等领域展现了广阔的应用前景。

在医学影像处理中，可以利用分布式压缩感知技术对医学影像进行高效压缩和传输，从而节约了存储和传输成本。

第 23卷第 1期2024年 1月Vol.23 No.1Jan.2024软件导刊Software Guide基于多尺度特征融合的图像压缩感知重构何卓豪1，2，宋甫元1，2，陆越1，2（1.南京信息工程大学数字取证教育部工程研究中心；2.南京信息工程大学计算机学院、网络空间安全学院，江苏南京 210044）摘要：图像压缩感知（CS）重构方法旨在将采样过后的图像恢复为高质量图像。

目前，基于深度学习的CS重构算法在重构质量及速度上性能优越，但在较低采样率时存在图像重构质量较差的问题。

为此，提出一种基于多尺度注意力融合的图像CS重构网络，在网络中引入多个多尺度残差块提取图像不同尺寸的信息，并融合每个多尺度残差块的空间注意力与密集残差块的通道注意力，自适应地将局部特征与全局依赖性集成，从而提升图像重构质量。

实验表明，所提算法在图像的PSNR、SSIM上均优于其他经典方法，重构性能更好。

关键词：压缩感知；注意力机制；深度学习；多尺度特征提取DOI：10.11907/rjdk.231013开放科学（资源服务）标识码（OSID）：中图分类号：TP391.41 文献标识码：A文章编号：1672-7800（2024）001-0156-05Image Compression Sensing Reconstruction Based on Multi-Scale Feature FusionHE Zhuohao1，2， SONG Fuyuan1，2， LU Yue1，2（1.Engineering Research Center of Digital Forensics， Ministry of Education， Nanjing University of Information Science and Technology；2.School of Computer Science， Nanjing University of Information Science and Technology， Nanjing 210044， China）Abstract：Image compressed sensing （CS） reconstruction method aims to restore the sampled image to a high-quality image. At present， CS reconstruction algorithm based on deep learning has superior performance in reconstruction quality and speed， but it has the problem of poor image reconstruction quality at low sampling rate. Therefore， an image CS reconstruction network based on multi-scale attention fusion is pro⁃posed. Multiple multi-scale residual blocks are introduced into the network to extract the information of different sizes of images， and the spa⁃tial attention of each multi-scale residual block and the channel attention of dense residual blocks are fused. The local features and global de⁃pendencies are adaptively integrated to improve the quality of image reconstruction. Experimental results show that the proposed algorithm is superior to other classical methods in PSNR and SSIM， and has better reconstruction performance.Key Words：compression sensing； attention mechanism； deep learning； multi-scale feature extraction0 引言压缩感知（Compression Sensing， CS）是由Donoho［1］提出的一种新的采样方式，采样过程即为压缩，该方式突破了奈奎斯特采样定理的限制，能更高效采样信号。

一种基于压缩感知的单样本人脸识别方法周建华【摘要】针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.【期刊名称】《佳木斯大学学报（自然科学版）》【年(卷),期】2015(033)006【总页数】3页(P855-857)【关键词】压缩感知;稀疏特征;单样本;冗余样本;人脸识别【作者】周建华【作者单位】湖南警察学院,湖南长沙410138;湖南大学信息科学与工程学院,湖南长沙410082【正文语种】中文【中图分类】TN912.340 引言近年来，压缩感知在图像处理理论与实践方面均匀重大突破，作为一种全新的信号采样理论，采用非线性重建模型以较高质量地重构原始信号，在压缩感知框架下进行人脸识别能利用信号的稀疏结构和不相关性，可以大大提高识别效率.1 人脸图像压缩感知过程将人脸图像一维化成n 的离散信号x，记作x(n)，n ∈［1，2，…，N］［1］.根据信号表示变换理论，X 用一组基ΨT=［Ψ1，Ψ2，…，Ψn，…，ΨN］的线性组合表示，则式中，λp=＜X，Ψp ＞假设人脸图像信号X 在某个变换基Ψ 上有且仅有K 个大系数(其他系数等于零或者接近于零)，则认为变换基是X 上的其中一个稀疏基(可以找到图像信号多个稀疏基).如果只有k 项非零系数，而其他系数均为零，定义其图像信号为严格稀疏信号，但在复杂背景、光照及表情变化下导致拍摄人脸图像信号基本上满足不了其要求，若信号在某变换基下系数快速衰减，并呈指数级变化趋向于零，则认为该图像信号是广义上的稀疏信号(有时定义为可压缩信号)，则(1)式经压缩观测变换表示为式中:Φ 称为测量矩阵，大小为M×N，y 为观测所得向量M×1，x 为原信号N×1(M ＜＜N)，但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，Ψ 称为变换矩阵，大小为N×N，是信号x 在Ψ 变换域的稀疏表示，即θ 只有K 项非零项.此时y=ΦΨθ，令A=ΦΨ，A 称为CS信息算子，大小为M×N，则y=Aθ.Ψ 在对拍摄的原始人脸图像进行小波变换或小波包变换得到稀疏系数按照低频、横向高频、纵向高频和斜向高频分块处理之后，在满足约束等距性RIP 条件下构建一个与小波正交基线性不相关的观测矩阵Φ，RIP性质能保证观测矩阵Φ 把两个不同的K 稀疏信号映射到同一个集合中(保证原空间到稀疏空间的一一映射关系)的概率为零，构成的条件为观测矩阵中抽取的任意M 个列向量构成的矩阵是非奇异的［2］.将人脸图像信号矩阵与观测矩阵Φ 乘积运算，经过降维计算后得到与观测矩阵维度相同的观测测量值Y 矩阵，对其小波域系数以特征点为中心进行重新排列分块，通过块稀疏的正交匹配算法BOMP 求解最优化重建恢复，其问题核心是获取测量矩阵值y 和给定观测矩阵Φ 的基础上，通过变换求解上式(2)得到原人脸图像信号矩阵X，重建过程是求解下式最优问题为上式可通过匹配追踪算法BP、正交匹配追踪算法OMP、梯度投影算法GP 等来实现人脸模糊图像信号重建，本文考虑人脸图像分块特性，采用基于图像小波域特征点为中心的分块采样策略，分块分频率重建.上式中但我们常对将0 范数转化为1范数问题进行求解，使病态问题具体化求解［3］.2 基于稀疏特征的冗余样本定义三角网络人脸模型中前额、眉毛、瞳孔、眼白、耳朵、面颊、鼻子、嘴唇、下颚等特征点，通过文献［3］算法在三维网络人脸模型定位后确定其N个特征点的三维坐标并创建特征点数据库.令其对象N 个特征点υ1，υ2，…，υN，设π(υi)(i=1，2，…，M)是从输入源空间到特征目标空间的映射，设其均值为Ψ，即=Ψ(其中Ψ →0)，假定在特征目标空间中的协方差矩阵ζ =通过λσ=ζσ 来计算ζ 的特征值λ，可变换成由(4)、(5)、(6)综合，可得令k ij=π(υi)π(υj)，可将(4)式化简为Mλa=ka，求出其特征点特征值和向量［4］.设λ1 ≥λ2≥，…，≥λn 按照特征显著性排列表示其m 个光照、姿态、纹理综合三维特征值，a1，a2，…，am 表示其对应的三维特征向量，那么第i 个输入特征矢量在三维人脸模型空间中的降维变换表示为将原始人脸的N 个顶点的三维模型特征点样本集表示为图1 同一张人脸在q 取不同的值时重构的人脸图像图2 实验选取的ORL 库人脸图像其中X 表示其特征点光照特征向量，Y 表示其特征点姿态特征向量，Z 表示其特征点纹理特征向量.令γ 为变换组合系数，从而可以冗余生成出多个光照、表情及姿态的人脸特征表示为令kij=π(υi)π(υj)，可将上式化简为Mλa=ka，可求出其特征点特征值和特征向量.构造训练样本为人脸样本的超完备字典，对其进行稀疏化特征表示为测试样本，寻找最佳稀疏表示自然能区分出训练样本中的不同类别［5］.取前k 个最大特征值对应的特征向量构成稀疏变换矩阵P =［p1，p2，…，pk］，根据确定K 的，其中为样本协方差矩阵的特征值.q 的取值范围为0 至1 之间，q 越大，其变换在光照、姿态、纹理等方面相似性越大，对原始人脸图像经过上述稀疏变换、块分解作为稀疏训练样本q 取不同值，对应不同特征人脸图像，如图1 所示.3 实验过程及结果分析本文根据上述方法，从ORL 人脸数据库中选择五个人其中任意一张人脸图像为训练样本，ORL库中剩下的其他的人脸图像(包括本人和他人的)为测试样本进行实验.选取的ORL 库人脸图像如图2 所示.在单样本情况下，基于压缩感知和稀疏特征点，获取了更多的细节信息生成多样本人脸，通过多样本多特征匹配进行识别分类.通过10 副图像进行识别平均计算，本文所提的算法在时间复杂度上有所降低，在识别精度上大大提高，如表1 所示.表1 几种人脸识别算法在复杂度、精确度及耗时的比较Algorithm time complexity Accuracy Identification time(ms )PCA O(n3)94.27% 148.9 HMM O(n3) 94.71% 101.4 Bayes O(n3) 95.12% 151.7本文 O(nlogn)97.74% 107.9 4 结论本文利用压缩感知在图像处理上的优势提出的基于压缩感知单样本人脸识别方法，对原始人脸图像进行小波变换或小波包变换得到稀疏系数按照低频、横向高频、纵向高频和斜向高频分块处理之后，将人脸图像信号矩阵与观测矩阵乘积运算，得到与观测矩阵维度相同的观测测量值矩阵，在三维网络人脸模型定位后确定其显著性特征点的三维坐标，以坐标为中心点重新排列分块，通过块稀疏的正交匹配算法求解最优化重建恢复，该方法充分利用信号的稀疏结构和不相关性，大大提高人脸识别效率.参考文献:［1］ Gross R，Matthews I，Cohn J.Multi－PIE［J］.Image and Vision Computing，2010，28(5):807－813.［2］ Chang Xueping，Zheng Zhonglong，Duan Xiaohui，et al.Sparse Representation －based Face Recognition for one Training Image Per Person［A］.Advanced Intelligent Computing Theories and Applications ［C］.Berlin Heidelberg:Springer，2010:407－414.［3］ Lu Jiwen，Tan Yap－peng，Wang Gang.Discriminative time Analysis for Face Recognition From a Single Training Sample Per Person［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence.2013，35(1):39－51.［4］方红，章权兵，韦穗.基于非常稀疏随机投影的图像重建方法［J］.计算机工程与应用，2007，43(22):25－27.［5］周建华.一种PCA 和SVM 多生物特征融合的视频人脸识别［J］.佳木斯大学学报(自然科学版)，2010，28(4):1－4.。

步长自适应的测量矩阵迭代优化方法沈子钰;汪立新【摘要】在压缩感知中,降低传感矩阵的列相干性可以提高重构精度.因为稀疏字典一般是固定的,所以目前主要通过优化测量矩阵来间接降低传感矩阵列相干性.提出一种改进的测量矩阵优化算法,使用梯度下降法更新测量矩阵并结合Barzilai-Borwen方法以及Armijo准则,使步长能够在迭代中自适应调整并保证算法收敛性.仿真实验表明,所提出的方法具有更快的收敛速度并且能够得到更优的测量矩阵.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)001【总页数】5页(P266-270)【关键词】压缩感知;测量矩阵优化;梯度下降;自适应步长【作者】沈子钰;汪立新【作者单位】杭州电子科技大学通信工程学院,杭州 310018;杭州电子科技大学通信工程学院,杭州 310018【正文语种】中文【中图分类】TN9111 引言压缩感知（Compressive Sensing，CS）[1]是一种新的稀疏信号采样和重建理论。

该理论中信号采样和压缩同时完成，这使得系统能够低于奈奎斯特采样频率采样，降低了系统的数据采样和储存成本。

传感矩阵是测量矩阵与稀疏字典的乘积，文献[2]分析了传感矩阵列相干性与信号精确重构所需稀疏度之间的关系。

列相干性越高说明传感矩阵越逼近正交，从而越有利于信号重构。

由于稀疏字典一般是固定的，所以目前研究主要集中在测量矩阵的优化上。

文献[2]和文献[3]分别引出了相关系数和平均相关系数的概念，相关系数反映的是传感矩阵列向量之间的最大相干性，而平均相关系数反映传感矩阵列向量之间的平均相干性。

相比约束等距性质（Restricted Isometry Property，RIP）[4]、Spark判别理论[5]等评价方法，相关系数以及平均相关系数计算简单，具有可行性，所以目前测量矩阵的优化研究主要集中在如何降低传感矩阵列向量的相关系数以及平均相关系数上。

Elad[3]是研究测量矩阵优化算法最早的学者之一。

2023-11-11contents •压缩感知理论概述•基于压缩感知的重构算法基础•基于压缩感知的信号重构算法•基于压缩感知的图像重构算法•基于压缩感知的重构算法优化•基于压缩感知的重构算法展望目录01压缩感知理论概述在某个基或字典下，稀疏信号的表示只包含很少的非零元素。

稀疏信号通过测量矩阵将稀疏信号转换为测量值，然后利用优化算法重构出原始信号。

压缩感知压缩感知基本原理压缩感知理论提出。

2004年基于稀疏基的重构算法被提出。

2006年压缩感知技术被应用于图像处理和无线通信等领域。

2008年压缩感知在雷达成像和医学成像等领域取得重要突破。

2010年压缩感知发展历程压缩感知应用领域压缩感知可用于高分辨率雷达成像，提高雷达系统的性能和抗干扰能力。

雷达成像医学成像无线通信图像处理压缩感知可用于核磁共振成像、超声成像和光学成像等领域，提高成像速度和分辨率。

压缩感知可用于频谱感知和频谱管理，提高无线通信系统的频谱利用率和传输速率。

压缩感知可用于图像压缩和图像加密等领域，实现图像的高效存储和传输。

02基于压缩感知的重构算法基础重构算法的基本概念基于压缩感知的重构算法是一种利用稀疏性原理对信号进行重构的方法。

重构算法的主要目标是恢复原始信号，尽可能地保留原始信号的信息。

重构算法的性能受到多种因素的影响，如信号的稀疏性、观测矩阵的设计、噪声水平等。

重构算法的数学模型基于压缩感知的重构算法通常采用稀疏基变换方法，将信号投影到稀疏基上，得到稀疏表示系数。

通过求解一个优化问题，得到重构信号的估计值。

重构算法的数学模型包括观测模型和重构模型两个部分。

重构算法的性能评估重构算法的性能评估通常采用重构误差、重构时间和计算复杂度等指标进行衡量。

重构误差越小，说明重构算法越能准确地恢复原始信号。

重构时间越短，说明重构算法的效率越高。

计算复杂度越低，说明重构算法的运算速度越快。

03基于压缩感知的信号重构算法基于稀疏基的重构算法需要选择合适的稀疏基，使得信号能够稀疏表示，同时需要解决稀疏基选择不当可能导致的过拟合或欠拟合问题。

基于深度学习SDA的压缩感知图像重构方法
谢雪晴
【期刊名称】《计算机工程与设计》
【年(卷),期】2018(039)011
【摘要】为减少传统压缩感知对图像信号测量与重构的时间,提高重构精度,提出一种深度学习SDA的压缩感知框架,采用堆叠去噪自动编码器(SDA)作为无监督特征学习器,支持信号的线性和非线性测量,捕获特定信号的不同元素之间的统计依赖性;利用前馈深度神经网络代替传统重构算法,从训练数据中学习信号的结构化表示,实现图像信号重构.实验结果表明,与压缩感知SPL算法、D-AMP算法和TV算法比较,该方法峰值信噪比(PSNR)更高,且重构时间仅仅为0.002 s,远低于其它3种算法.【总页数】5页(P3516-3519,3525)
【作者】谢雪晴
【作者单位】重庆工业职业技术学院信息工程学院,重庆401120
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于SL0压缩感知的SAR图像重构方法 [J], 周琦宾; 吴静
2.基于深度学习稀疏测量的压缩感知图像重构 [J], 杨秀杰
3.基于压缩感知的无人机航拍遥感图像动态重构方法 [J], 马广迪;杨为琛
4.基于深度学习和压缩感知的图像重构算法研究 [J], 王庐华
5.基于生成对抗网络的压缩感知图像重构方法 [J], 简献忠;张雨墨;王如志
因版权原因，仅展示原文概要，查看原文内容请购买。

基于时空稀疏模型的穿戴式心电信号压缩感知方法华晶;张华;刘继忠;徐亦璐【摘要】基于时空稀疏模型,提出一种穿戴式心电信号的压缩感知方法,利用信号的时间相关性和空间相关性,来实现心电信号的重构.同时,还提出了一种"分-合"式字典学习算法,通过利用心电信号内在的聚类结构,对训练样本进行字典学习,从而构造出符合心电信号特点的字典,并对其进行稀疏表示.从而进一步提高了心电信号的重构性能.为了验证提出的心电信号压缩感知方法的有效性,采用OSET数据库中的心电数据,将其与其他两种基准算法进行了对比.仿真实验结果表明,所提出的心电信号压缩感知方法能有效地提高心电信号重构的质量.%A spatio-temporal sparse model-based method is proposed for the compressive sensing of electrocardiosignal.The electrocardiosignal is reconstruted by exploiting the temporal and spatial correlation of signal.In addition,a"split-merge"dictionary learning approach is developed.It determines a dictionary by using its inherent clustered structure,and the electrocardiosignal is sparse represented on this dictionary.Thus,the reconstruction performance of electrocardiosignal is further improved.The proposed compressive sensing method of electrocardiosignal is compared with other two benchmarking methods to illustrate its effectiveness.The simulation results show the proposed method can improve the quality of electrocardiosignal reconstruction.【期刊名称】《传感技术学报》【年(卷),期】2017(030)007【总页数】7页(P1050-1056)【关键词】心电信号;压缩感知;时空稀疏;"分-合"式字典学习【作者】华晶;张华;刘继忠;徐亦璐【作者单位】南昌大学江西省机器人与焊接自动化重点实验室,南昌 330031;江西农业大学软件学院,南昌 330045;南昌大学江西省机器人与焊接自动化重点实验室,南昌 330031;南昌大学江西省机器人与焊接自动化重点实验室,南昌 330031;南昌大学江西省机器人与焊接自动化重点实验室,南昌 330031;江西农业大学软件学院,南昌 330045【正文语种】中文【中图分类】TN911可穿戴式心电监测系统是指利用小型穿戴式心电传感器采集人体的心电信号,并将数据无线传输至中心节点,如PDA或者微控制器板。

基于最大后验概率估计的压缩感知算法
庄燕滨;王尊志;肖贤建;张学武
【期刊名称】《计算机科学》
【年(卷),期】2015(042)011
【摘要】针对压缩感知重构算法计算代价较大的问题,提出了一种用来构建压缩感知稀疏数据重构算法的MAP方法.此方法相对于一般的观测矩阵来说,计算代价较低.e1-范数使用一个标准的线性规划算法的最小计算代价是O(N3),该方法通过使用最大后验方法使计算代价减少到O(N2),并通过引入分割比来使算法更好地收敛.实验证明此方法能够获得较为成功的重构区域.
【总页数】5页(P279-283)
【作者】庄燕滨;王尊志;肖贤建;张学武
【作者单位】河海大学计算机与信息学院南京211100;常州工学院计算机信息工程学院常州213002;河海大学计算机与信息学院南京211100;常州工学院计算机信息工程学院常州213002;河海大学物联网工程学院常州213022
【正文语种】中文
【中图分类】TP212
【相关文献】
1.基于负熵最大化的压缩感知信道估计算法 [J], 赵迎新;王长峰;吴虹;张铭;黄英杰;王乐耕;刘之洋
2.基于压缩感知的O FDM稀疏信道估计算法 [J], 李姣军;蒋扬;邱天;黄明敏
3.基于压缩感知的OFDM稀疏信道估计算法 [J], 李姣军;蒋扬;邱天;黄明敏
4.基于改进稀疏度自适应匹配追踪算法的压缩感知DOA估计 [J], 窦慧晶;肖子恒;杨帆
5.基于DFT寻径的压缩感知信道估计改进算法 [J], 方海涛;李明齐;卞鑫
因版权原因，仅展示原文概要，查看原文内容请购买。