.png){kind=icon}
返回
Key parameters for iterative thresholding-type algorithm with nonconvex regularization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105246.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
迭代阈值型算法作为压缩感知（CS）理论的一种典型方法，因其计算过程简单，在稀疏恢复领域得到了广泛应用。然而，采用非凸正则化（例如迭代半阈值（IHalfT）算法）的此类算法所达到的估计精度和收敛速度并不理想，这限制了其实际应用。为提升性能，本文提出了一种改进算法。首先，算法中引入了一种新的非负表达式，以减小松弛函数与目标函数之间的差距，这可带来数十dB的估计精度提升，并验证了改进算法的收敛性。其次，通过理论推导讨论并分析了性能显著改善的根本原因。第三，阐述了改进算法的适用条件。最后，大量的实验结果证明了带有非凸正则化的改进迭代阈值型算法的有效性。
Keyword:
Compressive sensing (CS)
Iterative hard thresholding (IHT)
Iterative soft thresholding (IST)
Iterative half thresholding (IHalfT)
Fast iterative shrinkage-thresholding algorithm (FISTA)
Normalized iterative hard thresholding (NIHT)
期刊
IF:
3.6
论文数:
9.9K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容