计算机应用研究
計算機應用研究
계산궤응용연구
APPLICATION RESEARCH OF COMPUTERS
2015年
8期
2551-2553,2557
,共4页
压缩感知%稀疏信号%神经动力学优化%反馈神经网络%l1范数最小化
壓縮感知%稀疏信號%神經動力學優化%反饋神經網絡%l1範數最小化
압축감지%희소신호%신경동역학우화%반궤신경망락%l1범수최소화
compressed sensing%sparse signal%neurodynamic optimization%recurrent neural network%l1 norm minimization
针对稀疏信号的准确和实时恢复问题,提出了一种基于神经动力学优化的压缩感知信号恢复方法.通过引入反馈神经网络(recurrent neural network,RNN)模型求解l1范数最小化优化问题,计算RNN的稳态解以恢复稀疏信号.对不同方法的测试结果表明,提出的方法在恢复稀疏信号时所需的观测点数最少,并且可推广到压缩图像的恢复应用中,获得了更高的信噪比.RNN模型也适合并行实现,通过GPU并行计算获得了超过百倍的加速比.与传统的方法相比,所提出的方法不仅能够更加准确地恢复信号,并具有更强的实时处理能力.
針對稀疏信號的準確和實時恢複問題,提齣瞭一種基于神經動力學優化的壓縮感知信號恢複方法.通過引入反饋神經網絡(recurrent neural network,RNN)模型求解l1範數最小化優化問題,計算RNN的穩態解以恢複稀疏信號.對不同方法的測試結果錶明,提齣的方法在恢複稀疏信號時所需的觀測點數最少,併且可推廣到壓縮圖像的恢複應用中,穫得瞭更高的信譟比.RNN模型也適閤併行實現,通過GPU併行計算穫得瞭超過百倍的加速比.與傳統的方法相比,所提齣的方法不僅能夠更加準確地恢複信號,併具有更彊的實時處理能力.
침대희소신호적준학화실시회복문제,제출료일충기우신경동역학우화적압축감지신호회복방법.통과인입반궤신경망락(recurrent neural network,RNN)모형구해l1범수최소화우화문제,계산RNN적은태해이회복희소신호.대불동방법적측시결과표명,제출적방법재회복희소신호시소수적관측점수최소,병차가추엄도압축도상적회복응용중,획득료경고적신조비.RNN모형야괄합병행실현,통과GPU병행계산획득료초과백배적가속비.여전통적방법상비,소제출적방법불부능구경가준학지회복신호,병구유경강적실시처리능력.
