.png){kind=icon}
返回
Elemental approximate message passing algorithm for sparse signal recovery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105410.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
向量近似消息传递（VAMP）已成为稀疏信号恢复（SSR）的有效且稳健的解决方案。然而，在实际实现中，当字典矩阵频繁变化时，它可能面临巨大的计算负担。本文将阐明，VAMP所遇到的主要挑战源于矩阵求逆运算。为避免此矩阵求逆，我们通过引入额外的辅助变量，提出了一种基于基本AMP的算法。这能够实现测量值的逐元素处理，从而高效地将任何矩阵运算转化为向量乘法。此外，所提出的基于基本AMP的算法允许采用更为灵活的近似策略（例如对角近似），而非像VAMP那样诉诸于基本且过于简化的粗略平均操作。这些创新有望在降低计算复杂度的同时提升恢复性能。
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Pattern-Coupled Sparse Bayesian Learning for Inverse Synthetic Aperture Radar Imaging模式耦合稀疏贝叶斯学习在逆合成孔径雷达成像中的应用
PREAI
分享收藏Sparse Channel Estimation for Intelligent Reflecting Surface Assisted Massive MIMO Systems智能反射面辅助大规模MIMO系统的稀疏信道估计
PREAI
分享收藏分享收藏Variational Bayesian and Generalized Approximate Message Passing-Based Sparse Bayesian Learning Model for Image Reconstruction基于变分贝叶斯和广义近似消息传递的稀疏贝叶斯图像重建学习模型
PREAI
分享收藏
分享收藏
查看更多内容