| ชื่อบทความ |
New Reweighted l1-minimization Algorithms for Compressive Sampling Recovery |
| วัน/เดือน/ปี ที่ได้ตอบรับ |
19 เมษายน 2553 |
| วารสาร |
| ชื่อวารสาร |
KKU Research Journal (Graduate Studies) |
| มาตรฐานของวารสาร |
|
| หน่วยงานเจ้าของวารสาร |
บัณฑิตวิทยาลัย มหาวิทยาลัยขอนแก่น |
| ISBN/ISSN |
- |
| ปีที่ |
10 |
| ฉบับที่ |
3 |
| เดือน |
กรกฎาคม-กันยายน |
| ปี พ.ศ. ที่พิมพ์ |
2553 |
| หน้า |
- |
| บทคัดย่อ |
A recent compression method which overlooks the classical Shannon-Nyquist theorem is called compressive sampling, also known as compressed sensing. The reconstruction of this new compression method is proved to be done with high probability of success by performing l1-minimization problem. The l1-minimization reconstruction has been developed to the reweighted algorithm which recovers closely approximate sparse solutions. However, there is no rule that automatically selects the appropriate weighting values. This paper proposes the enhancements of reweighted l1-minimization by indicating the choice of weighting functions and the suggestion to find the weighting values.
In reconstruction process, the approximate l1-minimization might recover the fault signal by shifting the zero solutions to the other values. Thus, the hard selective reweighted (HSR) algorithm is designed to increase the importance of zero candidates by selecting the near-zero solutions whose numbers are equal to a number of original zero entries scaled by greater weighting value. In general, the locations of zero entries are not known so that the HSR algorithm could not apply to the real-world problems. This problem is coped with by the second proposed automatic adaptive reweighted (AAR) algorithm which is used to predict the locations of zero entries without knowing a number of original entries. The idea is to find the smallest frequency bin of solutions which contains empty member then set it to be the threshold and the solutions which are close to zero and the others scaled by larger and smaller weighting values, respectively. The numerical results show comparatively that HSR and AAR algorithms outperform l1-minimization. Furthermore, both of these algorithms are demonstrated to be applied to manmade and magnetic resonance imaging (MRI) images.
|
| คำสำคัญ |
Compressive Sampling, Compressed Sensing, Compressive Sensing, Sparsity, Reweighted l1-minimization, l1-minimization |
| ผู้เขียน |
|
| การประเมินบทความ |
มีผู้ประเมินอิสระ |
| สถานภาพการเผยแพร่ |
ได้รับการตอบรับให้ตีพิมพ์ |
| วารสารมีการเผยแพร่ในระดับ |
ชาติ |
| citation |
ไม่มี |
| เป็นส่วนหนึ่งของวิทยานิพนธ์ |
เป็น |
| แนบไฟล์ |
|
| Citation |
0
|
|
|
ข้อมูลการเผยแพร่ผลงาน
การเผยแพร่ในรูปของบทความวารสารทางวิชาการ
English