MATLAB Kodları ile Basınç Algılama

Sıkıştırılmış algılama konusunda yeniyim. R.Baranuik, Y.Eldar, Terence Tao vb. algılamayı başaran nedir?

Herhangi bir yardım için şimdiden teşekkürler.

• L1magic . Bu, orijinal kağıtla ilişkili araç kutusudur .
• Telafi eder . Bu C gibi görünüyor, ama muhtemelen ile arayabilirsiniz mex- emin değilim.
• Model tabanlı sıkıştırma algılama araç kutusu.

• Kodun çoğu düz Matlab kodudur
• Paketteki her klasör, belirli bir sinyal modelini temel alan bir CS kurtarma algoritmasından ve bu kurtarma algoritmasını test eden bir komut dosyasından oluşur. Komut dosyalarının adları genellikle '_example.m' ile biter

• Yönetim . Muhtemelen diğer araç kutularına dahil olan algoritmaları yapmak için kullandığınız şey.

Manifoldlarda optimizasyon, doğrusal olmayan optimizasyon problemlerini ele almak için güçlü bir paradigmadır.

• UMich'ten bazı örnekler .
• Seyreklik .

Bu araç kutusu, gereksiz sözlüklerdeki seyrek genişlemeyi hesaplamak ve seyrek düzenleyici (ve ayrıca TV düzenleyici) ile ters problemleri çözmek için çeşitli algoritmalar uygular.

Ancak tüm bunlar ve daha fazlası, bu araç kutuları listesine dahil edilmiştir .

Ben zor kısmı psuedocode bulmak olduğunu buldum - onlar aslında algoritma tarif nerede. Psuedocode'u içeren algoritmalara bazı örnekler:

• gerçek algoritmayı (ve burada fonksiyonda bulunan gerçek kodu) içeren bir kağıtIST .
• yeni başlayanlar sıkıştırılmış algılamaya rehberlik eder.
• Dik eşleme peşinde
• CS-KLT
• Microsoft'tan bazı algoritmalar
• Evrensel CS için MCMC
• Bir örnek
• Bakliyat akışlarının basınç algılaması
• Sıkıştırılmış Algılama için GPU Hızlandırılmış Açgözlü Algoritmalar
• Uyarlanabilir algılama kamerası
• Basınç algılaması oyun teorisiyle buluşuyor

Sanırım burada konu dışı cevap veriyorum, ancak L1 optimizasyon yaklaşımları için YALL1 ( http://yall1.blogs.rice.edu/ ) ve SPGL1 ( http://www.cs.ubc.ca/ ~ mpf / spgl1 / ) çok kullanışlı ve verimli paketler. TFOCS ( http://cvxr.com/tfocs/ ) muhtemelen biraz daha zordur, ancak oldukça esnek olmalıdır. Ayrıca dışbükey optimizasyon problemlerini doğrudan koda yazmayı çok kolaylaştıran CVX ( http://cvxr.com/cvx/ ) vardır, ancak sıkıştırılmış algılamaya özgü tür problemleri çözmek için oldukça yavaştır. çok genel çözücü.

Sparselab'da bazı yeniden yapılandırma algoritmaları da vardır ( http://sparselab.stanford.edu/ ).

Seyrek yeniden yapılandırma kodlarının daha geniş bir listesi burada listelenmiştir: https://sites.google.com/site/igorcarron2/cs#reconstruction

Unutmayın, L1 basınç algılamaya tek yaklaşım değildir. In Araştırmamız , biz Yaklaşık İleti Geçme (AMP) ile daha iyi başarı elde ettik. "Başarıyı" daha düşük hata, daha iyi faz geçişleri (daha az gözlemle iyileşme yeteneği) ve daha düşük karmaşıklık (hem bellek hem de işlemci) olarak tanımlıyorum.

Yaklaşık İleti Geçme algoritması, doğrusal sistemin giriş ve çıkışlarının olasılıklı modellerle (örn. "Bu vektör gürültü ile ölçüldü") belirlendiği büyük ölçekli bir doğrusal sistemde bilinmeyen vektörleri tahmin etmek için bir Bayes çerçevesi oluşturur. sıfırlar "). Orijinal Donoho tarafından sahte AMP yaklaşımı ile rafine edilmiş Rangan içine Genelleştirilmiş ile yaklaşık mesajın geçmesi Matlab kodu kullanılabilir. Girişler ve çıkışlar neredeyse keyfi olasılık yoğunluk fonksiyonları olabilir. Araştırmamızda, GAMP'ın L1 dışbükey yaklaşımlardan ve açgözlü yaklaşımlardan (örneğin Ortogonal Eşleştirme Peşinde) daha hızlı, daha doğru ve daha sağlam (okuma: daha iyi faz geçiş eğrileri) olduğunu bulduk.

Danışmanım ve ben sadece Analiz CS için GAMP kullanımı hakkında bir makale yazdık , burada bilinmeyen vektörde x değil, bilinmeyen Wx'in doğrusal bir fonksiyonunda bol miktarda sıfır bekleniyor.

Matlab UNLocBox'ı da kontrol etmek isteyebilirsiniz: http://unlocbox.sourceforge.net Demo sayfasında 4 adet sıkıştırıcı algılama komut dosyası var: http://unlocbox.sourceforge.net/doc/demos/index.php

Yeni başlayanlar için CS, MP, OMP vb. Temellerini açıklayan kodlama dersleri üzerinde birkaç el yazdım. Bunları https://sparse-plex.readthedocs.io/en/latest/demos/index.html adresinden kontrol edebilirsiniz.

GitHub'da bulunan kütüphane seyrek-pleksimin bir parçası https://github.com/indigits/sparse-plex