Bayesian Compressive Sensing Menggunakan Laplace Prior

Abstraksi. Dalam paper ini, kita memodelkan komponen dari permasalahan compressive sensing(CS), yaitu, proses akuisisi sinyal, koefisien sinyal yang tidak diketahui dan parameter model untuk sinyal dan noise menggunakan kerangka kerja Bayes. Kita menggunakan sebuah bentuk hirarkis dari Laplace prior untuk memodelkan kerenggangan sinyal yang tak dikenal. Kami menjelaskan hubungan antar sejulah kerenggangan prior yang diusulkan dalam literatur, dan menunjukkan keuntungan dari model yang diusung termasuk derajat tinggi dari kerenggangan. Terlebih lagi, kami tunjukkan bahwa beberapa model yang ada adalah kasus khusus dari model yang diusulkan. Dengan menggunakan model kami, kami mengembangkan sebuah algoritma konstruktif(greedy) yang dirancang untuk rekonstruksi cepat yang berguna untuk pengaturan praktis. Tidak seperti metode rekonstruksi CS yang ada, algoritma yang diusulkan sepenuhnya terotomasi yaitu koefisien sinyal yang tidak diketahui, dan oleh karena itu tidak ada campur tangan pengguna yang dibutuhkan. Sebagai tambahan, algoritma yang diusulkan menyediakan estimasi dari ketidakpastian dari rekonstruksi. Kami menyediakan hasil percobaan dengan sintesis sinyal 1-D dan citra, dan membandingkan dengan algoritma rekonstruksi CS terkini yang menunjukkan unjuk kerja yang lebih baik pada pendekatan yang diusulkan.

sumber

Leave a Reply

Your email address will not be published. Required fields are marked *

*

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>