博文
Orthogonal Matching Pursuit(OMP)正交匹配追踪算法学习笔记
|||
最近学习K-SVD算法的过程中，稀疏编码部分使用了OMP追踪算法，特作此总结。
求解问题：
其中D是过完备的字典，已经给定，Y是原始信号，X待求。
OMP算法的本质思想是：以贪婪迭代的方法选择D的列，使得在每次迭代的过程中所选择的列与当前冗余向量最大程度的相关，从原始信号向量中减去相关部分并反复迭代，只到迭代次数达到稀疏度K，停止迭代。
核心算法步骤如下：
相关Matlab代码如下：
function [A]=OMP(D,X,L);
%=============================================
% Sparse coding of a group of signals based on a given
% dictionary and specified number of atoms to use.
% ||X-DA||
% input arguments:
% D - the dictionary (its columns MUST be normalized).
% X - the signals to represent
% L - the max. number of coefficients for each signal.
% output arguments:
% A - sparse coefficient matrix.
%=============================================
[n,P]=size(X);
[n,K]=size(D);
for k=1:1:P,
a=[];
x=X(:,k); %the kth signal sample
residual=x; %initial the residual vector
indx=zeros(L,1); %initial the index vector
%the jth iter
for j=1:1:L,
%compute the inner product
proj=D'*residual;
%find the max value and its index
[maxVal,pos]=max(abs(proj));
%store the index
pos=pos(1);
indx(j)=pos;
%solve the Least squares problem.
a=pinv(D(:,indx(1:j)))*x;
%compute the residual in the new dictionary
residual=x-D(:,indx(1:j))*a;
%the precision is fill our demand.
% if sum(residual.^2) < 1e-6
% break;
% end
end;
temp=zeros(K,1);
temp(indx(1:j))=a;
A(:,k)=sparse(temp);
end;
return;
https://blog.sciencenet.cn/blog-810210-653094.html
下一篇：如何在64位Matlab中调用C/C++处理大容量数据(largeArrayDims)
扫一扫，分享此博文
全部精选博文导读
相关博文
- • Minerals线下恳谈会：履践致远、与时偕行——对话中国科学院广州地球化学研究所期刊合作学者
- • 聚英才 建高地 | 北京理工大学“特立青年学者”全球招聘开启
- • 700年后日本或濒临灭绝？日本学者推算预测：届时或仅剩1名15岁以下孩子
- • [转载]【同位素视角】非英语母语学者如何区分’e.g.’, ‘i.e.’, ‘namely’与‘such as’等混淆难题
- • 美国佐治亚大学等机构学者：刈割策略对Bulldog 805紫花苜蓿+Tifton 85狗牙根混播草地产量及品质的影响
- • 美国堪萨斯州立大学、密苏里大学等机构学者研究成果：土壤水分管理策略和品种多样性对紫花苜蓿产量、营养品质和农场盈利能力的影