کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6960216 1451965 2014 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Sparse signal recovery from one-bit quantized data: An iterative reweighted algorithm
ترجمه فارسی عنوان
بازیابی سیگنال از داده های کوانتومی یک بیتی: یک الگوریتم بازنگری تکراری
کلمات کلیدی
سنجش فشرده، کمی سنجی یک بیتی، الگوریتم بازنگری ایده آل، تابع جایگزین،
ترجمه چکیده
در این مقاله، مسئله بازسازی سیگنال های ضعیف از اندازه گیری های کوانتومی یک بیتی مورد بررسی قرار می گیرد. ما یک تابع مجاز ورودی به کار می بریم، همچنین به عنوان آنتروپی گاوسی اشاره می شود، برای تشویق اسپارتی در توسعه الگوریتم. علاوه بر این، در روش پیشنهادی، تابع لجستیک برای تعیین میزان سازگاری بین داده های کوانته شده یک بیت اندازه گیری شده و سیگنال بازسازی معرفی شده است. از آنجاییکه تابع لجستیک تمایل به افزایش مقادیر راه حل را دارد، محدودیت صریح یکنواختی استاندارد دیگر لازم نیست که در فرمول سازی بهینه سازی ما گنجانده شود. یک الگوریتم توسط تکرار به حداقل رساندن یک تابع جایگزین محدب است که تابع هدف اصلی را محدود می کند. این منجر به یک روند تکرار شده تکراری می شود که متناوب بین برآورد سیگنال ناقص و پالایش وزن توابع جایگزین است. نتایج عددی برای نشان دادن اثربخشی الگوریتم پیشنهاد شده ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
بازیابی سیگنال از داده های کوانتومی یک بیتی: یک الگوریتم بازنگری تکراری
چکیده انگلیسی
This paper considers the problem of reconstructing sparse signals from one-bit quantized measurements. We employ a log-sum penalty function, also referred to as the Gaussian entropy, to encourage sparsity in the algorithm development. In addition, in the proposed method, the logistic function is introduced to quantify the consistency between the measured one-bit quantized data and the reconstructed signal. Since the logistic function has the tendency to increase the magnitudes of the solution, an explicit unit-norm constraint is no longer necessary to be included in our optimization formulation. An algorithm is developed by iteratively minimizing a convex surrogate function that bounds the original objective function. This leads to an iterative reweighted process that alternates between estimating the sparse signal and refining the weights of the surrogate function. Numerical results are provided to illustrate the effectiveness of the proposed algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 102, September 2014, Pages 201-206
نویسندگان
, , , ,