Resumen

En los algoritmos de reconstruccin de deteccin comprimida (CS), los problemas de sobreestimacin y gran redundancia de tomos candidatos afectarn a la precisin de la reconstruccin y a la probabilidad del algoritmo cuando se utiliza el algoritmo Sparsity Adaptive Matching Pursuit (SAMP). En este trabajo, proponemos un algoritmo SAMP mejorado basado en un umbral doble, reduccin del conjunto de candidatos y mtodos de backtracking adaptativo. El algoritmo utiliza el mtodo de doble umbral de tamao de paso variable para mejorar la precisin del juicio de sparsity y reduce el conjunto de candidatos atmicos indeterminados en la etapa de paso pequeo para mejorar la estabilidad. Al mismo tiempo, la precisin de la estimacin de la dispersin puede mejorarse combinndola con el mtodo backtracking. Utilizamos una seal dispersa gaussiana y una seal de onda de choque medida del sensor de rango 15psi para verificar el rendimiento del algoritmo. Los resultados experimentales muestran que, en comparacin con otros algoritmos iterativos codiciosos, la estabilidad global del algoritmo DBCSAMP es la ms fuerte. En comparacin con el algoritmo SAMP, la dispersin estimada del algoritmo DBCSAMP es ms precisa, y la precisin de la reconstruccin y la eficiencia operativa del algoritmo DBCSAMP mejoran considerablemente.

• Materias:Algebra Algoritmos (Matemáticas) Ingeniería Lógica matemática Matemáticas
• Subjects:Algebra Agorithms (Math) Engineering Mathematical logic mathematics
• Palabras claves:detección comprimida; algoritmos de reconstrucción; sobreestimación; gran redundancia; átomos candidatos; algoritmo Sparsity Adaptive Matching Pursuit (SAMP)
• Keywords:compressed sensing; reconstruction algorithms; overestimation; large redundancy; candidate atoms; Sparsity Adaptive Matching Pursuit (SAMP) algorithm