| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 压缩感知的研究背景和意义 | 第8-9页 |
| 1.1.2 极小化l_1-l_2方法的研究背景和意义 | 第9-10页 |
| 1.2 研究历史和现状 | 第10-11页 |
| 1.2.1 压缩感知研究历史和现状 | 第10-11页 |
| 1.2.2 极小化l_1-l_2方法的研究历史和现状 | 第11页 |
| 1.3 文章结构安排 | 第11-13页 |
| 2 压缩感知与极小化l_1-l_2方法 | 第13-28页 |
| 2.1 引言 | 第13页 |
| 2.2 压缩感知基本理论 | 第13-17页 |
| 2.2.1 信号的稀疏表示 | 第13-14页 |
| 2.2.2 测量矩阵的设计 | 第14-15页 |
| 2.2.3 重构算法 | 第15-17页 |
| 2.3 极小化l_1-l_2方法 | 第17-27页 |
| 2.3.1 l_1方法与Lasso模型 | 第17-18页 |
| 2.3.2 l_1-l_2方法与弹性网模型 | 第18-27页 |
| 2.4 l_1-l_2方法在压缩感知中的应用 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 基于极小化l_1-l_2截断模型的稀疏信号恢复 | 第28-45页 |
| 3.1 引言 | 第28-29页 |
| 3.2 基于极小化l_1-l_2截断模型恢复稀疏信号 | 第29-36页 |
| 3.2.1 极小化l_1-l_2截断模型的主要结论 | 第30-33页 |
| 3.2.2 极小化l_1-l_2截断模型的稳定性 | 第33-36页 |
| 3.3 基于极小化l_1-l_2截断模型的恢复算法 | 第36-44页 |
| 3.3.1 所提算法 | 第36页 |
| 3.3.2 数值实验 | 第36-44页 |
| 3.3.3 结论 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 总结与展望 | 第45-47页 |
| 4.1 本文工作的总结 | 第45页 |
| 4.2 未来工作的展望 | 第45-47页 |
| 参考文献 | 第47-53页 |
| 致谢 | 第53-54页 |
| 已完成文章目录 | 第54页 |
