Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Dual-Mode OFDM-IM by Encoding All Possible Subcarrier Activation Patterns Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Sparse Decomposition Algorithm Based on Joint Sparse Model

verfasst von : Qiyun Xuan, Si Wang, Yulong Gao, Junhui Cheng

Erschienen in: Artificial Intelligence for Communications and Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Orthogonal Matching Pursuit (OMP) algorithm is the most classical signal recovery algorithm in compressed sensing. It is also applicable to the Joint Sparse Model (JSM) of distributed compressive sensing. However, OMP algorithm suffers from high computational complexity and poor anti-noise ability without considering the correlation between signals. Therefore, by combining the characteristics of the JSM-1 and JSM-2 models, we propose the corresponding joint sparse decomposition algorithms, named JSM1-OMP and JSM2-OMP. The JSM2-OMP algorithm can be viewed as improvement of the JSM1-OMP algorithm. Furthermore, a better JSM-OMP algorithm is proposed by modifying the JSM2-OMP algorithm. The simulation experiments demonstrate the effectiveness of the proposed algorithms.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Research on UAV Swarm Interference Based on Improved Invasive Weed Optimization Algorithm
Nächstes Kapitel Millimeter Wave Massive MIMO Channel Estimation and Tracking
Literatur
1.
2.
Baraniuk, R.: Compressive sensing. IEEE Signal Process. Mag. 24(4), 118–121 (2007)CrossRef
3.
Tibshirani, R.: Regression Shrinkage and Selection via the Lasso. J. Roy. Stat. Soc. 73(3), 267–288 (2011)MathSciNetMATH
4.
5.
Mallat, S.G., Zhang, Z.F.: Matching pursuits with time-frequency dictionaries. IEEE Trans. Signal Process. 41(12), 3397–3415 (1993)CrossRef
6.
Tropp, J.A., Gilbert, A.C.: Signal recovery from random measurements via orthogonal matching pursuit. IEEE Trans. Inf. Theory 53(12), 4655–4666 (2007)MathSciNetCrossRef
7.
Zhang, T.: Adaptive forward-backward greedy algorithm for learning sparse representations. IEEE Trans. Inf. Theory 57(7), 4689–4708 (2011)MathSciNetCrossRef
8.
Karatzoglou, A.: Relevance vector machine (2015)
9.
Babacan, S.D., Molina, R., Katsaggelos, A.K.: Fast Bayesian compressive sensing using Laplace priors. In: IEEE International Conference on Acoustics, Speech and Signal Processing, Taipei, Taiwan, pp. 2873–2876 (2009)
10.
Schniter, P., Potter, L.C., Ziniel, J.: Fast Bayesian matching pursuit. In: Information Theory and Applications Workshop, San Diego, CA, USA (2008)
11.
Patterson, S., Eldar, Y.C., Keidar, I.: Distributed compressed sensing for static and time-varying networks. IEEE Trans. Signal Process. 62(19), 4931–4946 (2014)MathSciNetCrossRef
12.
Duarte, M.F., Sarvotham, S., Baron, D., et al.: Distributed compressed sensing of jointly sparse signals. In: IEEE Conference Record of the Thirty-Ninth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, California, USA, pp. 1537–1541 (2005)
Metadaten
Titel
Sparse Decomposition Algorithm Based on Joint Sparse Model
verfasst von
Qiyun Xuan
Si Wang
Yulong Gao
Junhui Cheng
Copyright-Jahr
2019
Buch
Artificial Intelligence for Communications and Networks

Print ISBN: 978-3-030-22967-2

Electronic ISBN: 978-3-030-22968-9

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-22968-9_5