书籍详情
压缩感知理论与应用
作者：[以色列] 约琳娜·C.埃尔达（德）吉 著
出版社：机械工业出版社
出版时间：2019-03-01
ISBN：9787111612643
定价：¥129.00
购买这本书可以去
内容简介
压缩感知是一个令人振奋、发展迅速的领域，在电气工程、应用数学、统计学和计算机科学等领域引起了相当大的关注。自推出以来，已经取得了大量理论和实践方面的成果。本书首先重点介绍了新近的理论进展和一系列应用，并概述了许多目前的研究挑战。接着，在全面回顾了基本理论之后，介绍了该领域的许多前沿进展，包括先进的信号建模、模拟信号的亚奈奎斯特采样、硬件原型、随机矩阵的非渐近分析、自适应感知、贪婪算法、图模型的使用，以及形态上不同数据成分的分离。本书每一章都是由该领域国际知名的研究人员编写的。
作者简介
Yonina C. Eldar是以色列理工学院电子工程系教授（爱德华兹工程主席），麻省理工学院电子研究实验室研究员，斯坦福大学客座教授，导师为信号处理领域的先驱——奥本海姆。她在研究和教学方面已获得众多卓越奖励，包括沃尔夫基金科研奖、赫谢尔？里奇创新奖、罗斯柴尔德基金会的迈克尔？布鲁诺纪念奖、魏斯曼科学奖，以及穆里尔和大卫？杰克诺卓越教学奖。她是IEEE期刊《信号处理的基础和趋势》的主编，信号处理和数学领域等几个期刊的副主编，是信号处理方面的卓越教授、IEEE会士、以色列青年科学与人文科学院和以色列高等教育委员会的成员。 Gitta Kutyniok是德国柏林理工大学数学系的爱因斯坦教授，曾任普林斯顿大学、斯坦福大学和耶鲁大学的博士后研究员，德国奥斯纳布吕克大学的全职教授。她的研究和教学得到了各种奖项的认可，包括德国海森堡奖学金、冯？凯文奖、爱因斯坦基金会的爱因斯坦主席奖，以及韦尔斯特拉杰出教学奖，她是应用数学领域多个期刊的副主编。
目录
译者序
原书前言
压缩感知简介
引言
向量空间综述
赋范向量空间
基底和框架
低维信号模型
稀疏模型
子空间的有限集合
模拟信号模型的子空间集合
低秩矩阵模型
流形和参数模型
感知矩阵
零空间条件
约束等距性质（RIP）
相干性
构造感知矩阵
1.5基于 最小化方法的信号重建
1.5.1 不含噪声的信号重建
1.5.2 含噪声的信号重建
1.5.3 情况-最优保证条件问题
1.5.4 正轴形与相位变化
1.6 信号重建算法
1.7 多维测量向量
1.8 总结
附录 第1章的证明
A.1 定理1.4的证明
A.2 引理1.3的证明
A.3 引理1.6的证明
A.4 定理1.13的证明
参考文献
第二代稀疏建模：结构化和协作信号分析
2.1 引言
2.2 图像复原的逆问题
2.2.1 传统稀疏建模
2.2.2 结构化稀疏建模
2.2.3 实验结果
2.3 用结构和协作模型鉴别和分离源
2.3.1 分组Lasso
2.3.2 分层Lasso
2.3.3 协作分层Lasso
2.3.4 实验结果
2.4 总结
参考文献
Xampling：模拟信号的压缩感知
3.1 引言
3.2 从子空间到联合空间
3.3 Xampling
3.3.1 子空间联合
3.3.2 架构
3.4 稀疏平移不变框架
3.4.1 平移不变子空间中的采样
3.4.2 SI子空间的稀疏联合
3.4.3 无限测量模型和连续有限测量模型
3.5 从理论到多频段采样的硬件
3.5.1 信号模型和稀疏SI公式
3.5.2 通过不均匀采样的模拟压缩感知
3.5.3 建模实用的ADC器件
3.5.4 调制宽带转换器
3.5.5 硬件设计
3.5.6 亚奈奎斯特信号处理
3.6有限新息率信号
3.6.1 模拟信号模型
3.6.2 压缩信号采集
3.6.3 恢复算法
3.7 新息信号序列
3.7.1 模拟信号模型
3.7.2 压缩信号采集
3.7.3 恢复算法
3.7.4 应用
3.8 联合建模与有限离散化
3.8.1 随机解调器
3.8.2 有限模型灵敏度
3.8.3 硬件复杂度
3.8.4 计算负载
3.8.5 模拟与离散CS雷达
3.9 讨论
3.9.1 将CS扩展到模拟信号
3.9.2 CS是否是一个通用采样方案
3.9.3 总结
参考文献
新息率采样：理论和应用
4.1 引言
4.1.1 采样方案
4.1.2 FRI历史
4.1.3 本章概览
4.1.4 符号和约定
4.2有限新息率信号
4.2.1 FRI信号定义
4.2.2 FRI信号例子
4.3无噪声环境中FRI信号的采样与恢复
4.3.1使用sinc核进行采样
4.3.2 使用加和的sinc核进行采样
4.3.3 使用指数生成核进行采样
4.3.4 多通道采样
4.4噪声对FRI恢复的影响
4.4.1 连续时间噪声下的性能界限
4.4.2 采样噪声下的性能界限
4.4.3提高采样噪声鲁棒性的FRI技术
4.5 仿真
4.5.1无噪声环境下的采样和重建
4.5.2 噪声环境下的采样和重建
4.5.3 周期FRI信号与半周期FRI信号
4.6 扩展和应用
4.6.1 采样分段正弦信号
4.6.2 信号压缩
4.6.3 超分辨率成像
4.6.4 超声成像
4.6.5 多径介质识别
4.6.6 超分辨率雷达
附录 Cramér-Rao界限推导
参考文献
随机矩阵的非渐近分析
5.1 引言
5.1.1渐近和非渐近的体系
5.1.2高矩阵是近似等距同构的
5.1.3模型和方法
5.1.4 应用
5.1.5 相关资源
5.2 预备知识
5.2.1 矩阵及其奇异值
5.2.2 网络
5.2.3 亚高斯随机变量
5.2.4 亚指数随机变量
5.2.5 各向同性随机向量
5.2.6 独立随机矩阵的求和
5.3 具有独立元素的随机矩阵
5.3.1 极限定理和高斯矩阵
5.3.2 具有独立元素的一般随机矩阵
5.4具有独立行的随机矩阵
5.4.1 亚高斯行
5.4.2 重尾行
5.4.3 应用：估算协方差矩阵
5.4.4 应用：随机子矩阵和子框架
5.5 具有独立列的随机矩阵
5.5.1 亚高斯列
5.5.2 重尾列
5.6 约束等距同构
5.6.1 亚高斯约束等距同构
5.6.2 重尾约束等距同构
5.7 注释
参考文献
自适应感知的稀疏重建
6.1 引言
6.1.1去噪
6.1.2逆问题
6.1.3贝叶斯的角度
6.1.4结构稀疏性
6.2贝叶斯自适应感知
6.2.1使用一个简单生成模型进行贝叶斯推理
6.2.2使用多成分模型进行贝叶斯推理
6.2.3量化性能
6.3准贝叶斯自适应感知
6.3.1用非自适应测量去噪
6.3.2蒸馏感知
6.3.3压缩感知中的蒸馏法
6.4 相关工作和进一步阅读的建议
参考文献
压缩感知的基本阈值方法：一种高维几何方法
7.1 引言
7.1.1 l_1最小化鲁棒性的阈值边界
7.1.2 加权和迭代重加权l_1最小化阈值
7.1.3 与其他阈值边界的比较
7.1.4 高维几何的一些概念
7.1.5 组织结构
7.2 零空间特征
7.3 零空间特征的Grassmann角框架
7.4 评估阈值界限ζ
7.5 内角指数的计算
7.6 外角指数的计算
7.7ρ_N (δ,C)的存在性与缩放
7.8 弱、部分和强鲁棒性
7.9 ζ界限的数值计算
7.10 加权l_1最小化的恢复阈值
7.11 近似支撑恢复和迭代重加权l_1
7.12 总结
7.13 附录
7.13.1 内角的推导
7.13.2 外角的推导
7.13.3 引理7.7的证明
7.13.4 引理7.8的证明
参考文献
压缩感知贪婪算法
8.1贪婪算法，凸集最优化的一个灵活替代算法
8.2贪婪追踪
8.2.1基本框架
8.2.2系数更新变型
8.2.3 元素选择的几种变型
8.2.4 计算
8.2.5 性能保证
8.2.6 经验比较
8.3 阈值类算法
8.3.1迭代硬阈值
8.3.2压缩采样匹配追踪和子空间追踪
8.3.3 实验比较
8.3.4 恢复证明
8.4 由贪婪算法推广到结构化模型
8.4.1子空间联合模型
8.4.2采样并重建子空间联合信号
8.4.3 性能保证
8.4.4恢复条件何时成立
8.4.5 实验比较
8.4.6 MMV问题中的秩结构
8.5 总结
参考文献
压缩感知中的图模型概念
9.1 引言
9.2基本模型及其图结构
9.3标量情形
9.4消息传递的推导
9.4.1 最小和算法
9.4.2 通过二次近似简化最小和
9.5近似消息传递
9.5.1 AMP算法及其性质
9.5.2 AMP算法的推导
9.6高维分析
9.6.1 AMP算法的一些数值实验
9.6.2状态演变
9.6.3 LASSO的风险
9.6.4 去耦原理
9.6.5 状态演变的启发式推导
9.6.6 噪声敏感度相变
9.6.7 普适性
9.6.8 与其他分析方法的比较
9.7 范化
9.7.1 结构化先验信息
9.7.2 稀疏感知矩阵
9.7.3 矩阵的填充
9.7.4 广义回归
参考文献
在压缩干草堆中找针
10.1 引言
10.2 背景及符号
10.2.1 符号
10.2.2 集中不等式
10.2.3 群论
10.3 支持向量机
10.4 近等距投影
10.5 定理10.3证明
10.6 通过Johnson-Lindenstrauss特性的距离保真
10.7 通过随机投影矩阵的最坏情况JL特性
10.7.1 Johnson-Lindenstrauss和随机感知
10.7.2 实验结果
10.8 通过显式投影矩阵的平均情况JL特性
10.8.1 相干性的全局测量
10.8.2 平均情况压缩学习
10.8.3 两个基本的相干性测量及它们在压缩学习中的作用
10.8.4 使用Delsarte-Goethals框架的平均情况距离保真
10.9 主要平均情况压缩学习结果的证明
10.9.1 引理10.5的证明
10.9.2 定理10.6的证明
10.10 总结
参考文献
基于稀疏表示的数据分离
11.1 引言
11.1.1 形态学成分分析
11.1.2 分离算法
11.1.3 分离结果
11.1.4 稀疏字典的设计
11.1.5 提纲
11.2 分离估计
11.2.1 数据分离估计与欠定问题的关系
11.2.2 一般性的分离估计
11.2.3 创新观点：聚集稀疏
11.2.4 与测不准原理的关系
11.3 信号分离
11.3.1 正弦和尖峰的分离
11.3.2 进一步研究
11.4 图像分离
11.4.1 实证研究
11.4.2 理论结果
参考文献
人脸识别的稀疏表示
12.1 引言
12.2 问题公式表达：基于稀疏表示的分类
12.3 降维
12.4识别损坏的和遮挡的图像
12.5 人脸对准
12.6 快速 最小化算法
12.7 建立一个完整的人脸识别系统
12.8 整个系统的评估
12.9 总结和讨论
参考文献
原书前言
压缩感知简介
引言
向量空间综述
赋范向量空间
基底和框架
低维信号模型
稀疏模型
子空间的有限集合
模拟信号模型的子空间集合
低秩矩阵模型
流形和参数模型
感知矩阵
零空间条件
约束等距性质（RIP）
相干性
构造感知矩阵
1.5基于 最小化方法的信号重建
1.5.1 不含噪声的信号重建
1.5.2 含噪声的信号重建
1.5.3 情况-最优保证条件问题
1.5.4 正轴形与相位变化
1.6 信号重建算法
1.7 多维测量向量
1.8 总结
附录 第1章的证明
A.1 定理1.4的证明
A.2 引理1.3的证明
A.3 引理1.6的证明
A.4 定理1.13的证明
参考文献
第二代稀疏建模：结构化和协作信号分析
2.1 引言
2.2 图像复原的逆问题
2.2.1 传统稀疏建模
2.2.2 结构化稀疏建模
2.2.3 实验结果
2.3 用结构和协作模型鉴别和分离源
2.3.1 分组Lasso
2.3.2 分层Lasso
2.3.3 协作分层Lasso
2.3.4 实验结果
2.4 总结
参考文献
Xampling：模拟信号的压缩感知
3.1 引言
3.2 从子空间到联合空间
3.3 Xampling
3.3.1 子空间联合
3.3.2 架构
3.4 稀疏平移不变框架
3.4.1 平移不变子空间中的采样
3.4.2 SI子空间的稀疏联合
3.4.3 无限测量模型和连续有限测量模型
3.5 从理论到多频段采样的硬件
3.5.1 信号模型和稀疏SI公式
3.5.2 通过不均匀采样的模拟压缩感知
3.5.3 建模实用的ADC器件
3.5.4 调制宽带转换器
3.5.5 硬件设计
3.5.6 亚奈奎斯特信号处理
3.6有限新息率信号
3.6.1 模拟信号模型
3.6.2 压缩信号采集
3.6.3 恢复算法
3.7 新息信号序列
3.7.1 模拟信号模型
3.7.2 压缩信号采集
3.7.3 恢复算法
3.7.4 应用
3.8 联合建模与有限离散化
3.8.1 随机解调器
3.8.2 有限模型灵敏度
3.8.3 硬件复杂度
3.8.4 计算负载
3.8.5 模拟与离散CS雷达
3.9 讨论
3.9.1 将CS扩展到模拟信号
3.9.2 CS是否是一个通用采样方案
3.9.3 总结
参考文献
新息率采样：理论和应用
4.1 引言
4.1.1 采样方案
4.1.2 FRI历史
4.1.3 本章概览
4.1.4 符号和约定
4.2有限新息率信号
4.2.1 FRI信号定义
4.2.2 FRI信号例子
4.3无噪声环境中FRI信号的采样与恢复
4.3.1使用sinc核进行采样
4.3.2 使用加和的sinc核进行采样
4.3.3 使用指数生成核进行采样
4.3.4 多通道采样
4.4噪声对FRI恢复的影响
4.4.1 连续时间噪声下的性能界限
4.4.2 采样噪声下的性能界限
4.4.3提高采样噪声鲁棒性的FRI技术
4.5 仿真
4.5.1无噪声环境下的采样和重建
4.5.2 噪声环境下的采样和重建
4.5.3 周期FRI信号与半周期FRI信号
4.6 扩展和应用
4.6.1 采样分段正弦信号
4.6.2 信号压缩
4.6.3 超分辨率成像
4.6.4 超声成像
4.6.5 多径介质识别
4.6.6 超分辨率雷达
附录 Cramér-Rao界限推导
参考文献
随机矩阵的非渐近分析
5.1 引言
5.1.1渐近和非渐近的体系
5.1.2高矩阵是近似等距同构的
5.1.3模型和方法
5.1.4 应用
5.1.5 相关资源
5.2 预备知识
5.2.1 矩阵及其奇异值
5.2.2 网络
5.2.3 亚高斯随机变量
5.2.4 亚指数随机变量
5.2.5 各向同性随机向量
5.2.6 独立随机矩阵的求和
5.3 具有独立元素的随机矩阵
5.3.1 极限定理和高斯矩阵
5.3.2 具有独立元素的一般随机矩阵
5.4具有独立行的随机矩阵
5.4.1 亚高斯行
5.4.2 重尾行
5.4.3 应用：估算协方差矩阵
5.4.4 应用：随机子矩阵和子框架
5.5 具有独立列的随机矩阵
5.5.1 亚高斯列
5.5.2 重尾列
5.6 约束等距同构
5.6.1 亚高斯约束等距同构
5.6.2 重尾约束等距同构
5.7 注释
参考文献
自适应感知的稀疏重建
6.1 引言
6.1.1去噪
6.1.2逆问题
6.1.3贝叶斯的角度
6.1.4结构稀疏性
6.2贝叶斯自适应感知
6.2.1使用一个简单生成模型进行贝叶斯推理
6.2.2使用多成分模型进行贝叶斯推理
6.2.3量化性能
6.3准贝叶斯自适应感知
6.3.1用非自适应测量去噪
6.3.2蒸馏感知
6.3.3压缩感知中的蒸馏法
6.4 相关工作和进一步阅读的建议
参考文献
压缩感知的基本阈值方法：一种高维几何方法
7.1 引言
7.1.1 l_1最小化鲁棒性的阈值边界
7.1.2 加权和迭代重加权l_1最小化阈值
7.1.3 与其他阈值边界的比较
7.1.4 高维几何的一些概念
7.1.5 组织结构
7.2 零空间特征
7.3 零空间特征的Grassmann角框架
7.4 评估阈值界限ζ
7.5 内角指数的计算
7.6 外角指数的计算
7.7ρ_N (δ,C)的存在性与缩放
7.8 弱、部分和强鲁棒性
7.9 ζ界限的数值计算
7.10 加权l_1最小化的恢复阈值
7.11 近似支撑恢复和迭代重加权l_1
7.12 总结
7.13 附录
7.13.1 内角的推导
7.13.2 外角的推导
7.13.3 引理7.7的证明
7.13.4 引理7.8的证明
参考文献
压缩感知贪婪算法
8.1贪婪算法，凸集最优化的一个灵活替代算法
8.2贪婪追踪
8.2.1基本框架
8.2.2系数更新变型
8.2.3 元素选择的几种变型
8.2.4 计算
8.2.5 性能保证
8.2.6 经验比较
8.3 阈值类算法
8.3.1迭代硬阈值
8.3.2压缩采样匹配追踪和子空间追踪
8.3.3 实验比较
8.3.4 恢复证明
8.4 由贪婪算法推广到结构化模型
8.4.1子空间联合模型
8.4.2采样并重建子空间联合信号
8.4.3 性能保证
8.4.4恢复条件何时成立
8.4.5 实验比较
8.4.6 MMV问题中的秩结构
8.5 总结
参考文献
压缩感知中的图模型概念
9.1 引言
9.2基本模型及其图结构
9.3标量情形
9.4消息传递的推导
9.4.1 最小和算法
9.4.2 通过二次近似简化最小和
9.5近似消息传递
9.5.1 AMP算法及其性质
9.5.2 AMP算法的推导
9.6高维分析
9.6.1 AMP算法的一些数值实验
9.6.2状态演变
9.6.3 LASSO的风险
9.6.4 去耦原理
9.6.5 状态演变的启发式推导
9.6.6 噪声敏感度相变
9.6.7 普适性
9.6.8 与其他分析方法的比较
9.7 范化
9.7.1 结构化先验信息
9.7.2 稀疏感知矩阵
9.7.3 矩阵的填充
9.7.4 广义回归
参考文献
在压缩干草堆中找针
10.1 引言
10.2 背景及符号
10.2.1 符号
10.2.2 集中不等式
10.2.3 群论
10.3 支持向量机
10.4 近等距投影
10.5 定理10.3证明
10.6 通过Johnson-Lindenstrauss特性的距离保真
10.7 通过随机投影矩阵的最坏情况JL特性
10.7.1 Johnson-Lindenstrauss和随机感知
10.7.2 实验结果
10.8 通过显式投影矩阵的平均情况JL特性
10.8.1 相干性的全局测量
10.8.2 平均情况压缩学习
10.8.3 两个基本的相干性测量及它们在压缩学习中的作用
10.8.4 使用Delsarte-Goethals框架的平均情况距离保真
10.9 主要平均情况压缩学习结果的证明
10.9.1 引理10.5的证明
10.9.2 定理10.6的证明
10.10 总结
参考文献
基于稀疏表示的数据分离
11.1 引言
11.1.1 形态学成分分析
11.1.2 分离算法
11.1.3 分离结果
11.1.4 稀疏字典的设计
11.1.5 提纲
11.2 分离估计
11.2.1 数据分离估计与欠定问题的关系
11.2.2 一般性的分离估计
11.2.3 创新观点：聚集稀疏
11.2.4 与测不准原理的关系
11.3 信号分离
11.3.1 正弦和尖峰的分离
11.3.2 进一步研究
11.4 图像分离
11.4.1 实证研究
11.4.2 理论结果
参考文献
人脸识别的稀疏表示
12.1 引言
12.2 问题公式表达：基于稀疏表示的分类
12.3 降维
12.4识别损坏的和遮挡的图像
12.5 人脸对准
12.6 快速 最小化算法
12.7 建立一个完整的人脸识别系统
12.8 整个系统的评估
12.9 总结和讨论
参考文献
猜您喜欢
