正交匹配追踪算法(OMP)

这篇具有很好参考价值的文章主要介绍了正交匹配追踪算法(OMP)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


前言

记录OMP算法的学习过程。


一、信号模型和逆问题

对于非齐次线性方程组 A x = b Ax = b Ax=b式中 b ∈ R m , A ∈ R m ∗ n , x ∈ R m b \in R^m,A \in R^{m*n},x \in R^m bRm,ARmn,xRm
一般如果我们考虑 A , x A,x A,x已知,那么求 b b b是一个很简单的问题。
这个问题的逆问题为, b , A b,A b,A已知,去求 x x x
n > > m n>>m n>>m时,该方程有无穷多解,如果我们想得到唯一解,就需要限定 x x x,实际上在压缩感知领域,就是限定 x x x是稀疏的,也就是 x x x中有很多0,在这种情况下去求解 x x x,其中 k k k x x x的稀疏度,实际上就是 x x x中非0的个数。

二、OMP原理

现在假设我们已知 A , b A,b A,b,想从中恢复出 x x x,显然我们需要充分利用 x x x是稀疏的这个事实,由线性代数知识显然可以知道 b b b其实是矩阵 A A A的列向量的线性组合,也就是 x x x作为权重与 A A A的列向量加权求和后得到的结果,由于 x x x是稀疏的,那么显然可以发现一个事实, A A A中仅仅有很少的列向量对 b b b做出了贡献,我们的目的就是找出这些对 b b b贡献较大的列向量,与此同时,根据列向量在 A A A中的位置,可以判断出 x x x中非零元素的位置,这就是OMP算法的基本思想。
那么关键是如何刻画 A A A中列向量对 b b b的贡献,在欧几里和空间中,我们常常用内积去定义两个向量的距离,实际上我们可以将 b b b A A A中列向量方向去投影,由此判断某个列向量对其的贡献。公式化表达 c o n t r i b u t i o n ( b , a i ) = ∣ < b , a i > ∣ a i ∣ ∣ contribution(b,a_i) =| \frac{<b,a_i>}{|a_i|}| contribution(b,ai)=ai<b,ai>式中 a i a_i ai A A A的第 i i i个列向量,实际上在考虑投影时回出现正负号问题,我们只用考虑贡献的大小,而不去考虑方向,所以加上了绝对值。(<,>为内积运算)
实际上如果我们事先将 A A A矩阵的列向量单位化,那么公式可以简化为 c o n t r i b u t i o n ( b , a i ) = ∣ < b , a i > ∣ contribution(b,a_i) =|<b,a_i>| contribution(b,ai)=<b,ai>

实际上给定稀疏度 k k k,我们只需要迭代 k k k次算法就可以求出 A A A k k k个贡献最大的列向量,以及 x x x k k k个不为0的位置。


三、伪代码

omp算法,压缩感知,matlab,矩阵,线性代数
需要注意的是有个残差的更新过程,实际上原始残差就是 y y y,每一次找到一个和他相关的列向量后,就得到了这部分的信息,所以要减去这部分信息,剩余的信息再去和列向量相关。

四、MATLAB代码

clear;
clc;
m = 64;
n = 256; % n>>m;
CN  = [];

A = randn(m,n);
x = zeros(n,1);
x(1) =0.4;
x(40) =0.6;
x(32) = 0.8;  % 构造稀疏向量x

k = 3;  % 代表稀疏度
b = A * x;
%% initialization 
r = b;   % 初始残差
Cn = []; % 用于记录存放的列的序号
An = []; % 用于存放列的列向量

%% Normalization
abs_colmn = sqrt(sum(A.^2)); % 每列的模长
abs_matrix = repmat(abs_colmn,m,1);
norm_A  = A./abs_matrix;
% disp(sum(norm_A.^2))
%% 迭代求解
for ii = 1:k
    product = norm_A' * r; % 实际上就是A的每个列向量与r相乘
    [val,index] = max(abs(product));
    Cn = [Cn index];
    An = [An norm_A(:,index)];
    xk   = inv(An' * An) * An' * b; % 最小二乘解
    r    = b - An * xk;   
end
x_recovery = zeros(n,1);
x_recovery(Cn) = xk;

figure;
subplot(2,1,1)
stem(x);
title('origin signal')
subplot(2,1,2)
stem(x_recovery ./ (abs_colmn')); % 反归一化
title('recovery signal')

实验结果
omp算法,压缩感知,matlab,矩阵,线性代数
可见恢复了原始信号

总结

记录学习过程~文章来源地址https://www.toymoban.com/news/detail-816552.html

到了这里,关于正交匹配追踪算法(OMP)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包