Rilevamento della compressione tramite codici MATLAB

Sono nuovo sul tema del rilevamento compresso. Ho letto alcuni articoli a riguardo di R.Baranuik, Y.Eldar, Terence Tao ecc. Tutti questi documenti forniscono sostanzialmente i dettagli matematici dietro di esso, ovvero Sparsity, RIP, minimizzazione della norma L1 ecc. Tuttavia, chiunque può fornire i codici MATLAB che raggiungono il rilevamento della compressione?

Grazie in anticipo per qualsiasi aiuto.

• L1magic . Questa è la cassetta degli attrezzi associata alla carta originale.
• CompSens . Sembra che sia in C, ma potresti chiamarlo con mex- non ne sono sicuro.
• Toolbox di rilevamento della compressione basato su modello.

• La maggior parte del codice è semplice codice Matlab
• Ogni cartella nel pacchetto è costituita da un algoritmo di recupero CS basato su un particolare modello di segnale e da uno script che verifica tale algoritmo di recupero. I nomi degli script in genere terminano con '_example.m'

• Manopt . Forse quello che usi per rendere effettivamente gli algoritmi inclusi in altre caselle degli strumenti.

L'ottimizzazione su varietà è un paradigma potente per affrontare i problemi di ottimizzazione non lineare.

• Alcuni esempi da UMich.
• sparsity .

Questa cassetta degli attrezzi implementa diversi algoritmi per calcolare l'espansione sparsa nei dizionari ridondanti e per risolvere i problemi inversi con la regolarizzazione sparsa (e anche la regolarizzazione TV).

Ma tutto ciò, e altro ancora, è incluso in questo elenco di cassette degli attrezzi .

Ho scoperto che la parte difficile è trovare psuedocode - è lì che descrivono effettivamente l'algoritmo. Ecco alcuni esempi di algoritmi che includevano il codice psued:

• un documento che include l'algoritmo effettivo (e il codice effettivo disponibile qui nella funzione IST.
• una guida per principianti al rilevamento compresso.
• Inseguimento di corrispondenza ortogonale
• CS-KLT
• Alcuni altri algoritmi di Microsoft
• MCMC per CS universale
• Un esempio
• Rilevamento compressivo di flussi di impulsi
• Algoritmi Greedy accelerati GPU per il rilevamento compresso
• Telecamera di rilevamento adattivo
• Il rilevamento compressivo incontra la teoria dei giochi

Suppongo che sto rispondendo off-topic qui allora, ma per gli approcci di ottimizzazione L1, trovo YALL1 ( http://yall1.blogs.rice.edu/ ) e SPGL1 ( http://www.cs.ubc.ca/ ~ mpf / spgl1 / ) pacchetti molto utili ed efficienti. TFOCS ( http://cvxr.com/tfocs/ ) è probabilmente un po 'più difficile da usare, ma dovrebbe essere abbastanza flessibile. Esiste anche CVX ( http://cvxr.com/cvx/ ) che semplifica la digitazione dei problemi di ottimizzazione convessa direttamente nel codice, ma è notevolmente più lento per risolvere i problemi specifici del rilevamento compresso poiché è un risolutore molto generale.

Ci sono anche alcuni algoritmi di ricostruzione disponibili in Sparselab ( http://sparselab.stanford.edu/ ).

Un elenco più ampio di codici di ricostruzione sparsi è elencato qui: https://sites.google.com/site/igorcarron2/cs#reconstruction

Tieni presente che L1 non è l'unico approccio al rilevamento compressivo. Nella nostra ricerca , abbiamo avuto un successo migliore con Approximate Message Passing (AMP). Sto definendo "successo" come errore inferiore, migliori transizioni di fase (capacità di recupero con meno osservazioni) e minore complessità (sia memoria che CPU).

L'algoritmo di Message Passing approssimativo stabilisce un framework bayesiano per stimare i vettori sconosciuti in un sistema lineare su larga scala in cui gli input e gli output del sistema lineare sono determinati da modelli probablistici (ad esempio "questo vettore è stato misurato con il rumore", "questo vettore ha alcuni zeri "). L' approccio AMP originale forgiato da Donoho è stato perfezionato da Rangan nel passaggio di messaggi approssimativi generalizzati con codice Matlab disponibile. Gli ingressi e le uscite possono essere funzioni di densità di probabilità quasi arbitrarie. Nella nostra ricerca, abbiamo scoperto che GAMP è in genere più veloce, più accurato e più robusto (leggi: curve di transizione di fase migliori) rispetto agli approcci convessi L1 e agli approcci avidi (ad esempio Inseguimento di corrispondenza ortogonale).

Il mio consulente e io abbiamo appena scritto un articolo sull'uso di GAMP per Analysis CS, in cui ci si aspetta un'abbondanza di zeri, non nel vettore sconosciuto x, ma piuttosto in una funzione lineare di quell'ignoto, Wx.

Puoi anche controllare MatLab UNLocBox: http://unlocbox.sourceforge.net Ci sono 4 script di rilevamento della compressione nella pagina demo: http://unlocbox.sourceforge.net/doc/demos/index.php

Ho scritto una serie di tutorial sui codici che spiegano le basi di CS, MP, OMP ecc. Per i principianti. Puoi verificarli su https://sparse-plex.readthedocs.io/en/latest/demos/index.html

Fa parte della mia libreria sparse-plex disponibile su GitHub https://github.com/indigits/sparse-plex