摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-16页 |
第一章 绪论 | 第16-22页 |
1.1 研究背景 | 第16-18页 |
1.1.1 压缩感知 | 第16-17页 |
1.1.2 光谱成像 | 第17-18页 |
1.2 研究目的与意义 | 第18-19页 |
1.3 研究内容与创新 | 第19-20页 |
1.4 论文架构与内容安排 | 第20-22页 |
第二章 压缩感知与张量基础 | 第22-34页 |
2.1 压缩感知数学模型 | 第22-27页 |
2.1.1 信号的稀疏表示 | 第24-25页 |
2.1.2 观测矩阵的设计 | 第25-26页 |
2.1.3 信号重构算法 | 第26-27页 |
2.2 张量的基本运算和分解 | 第27-32页 |
2.2.1 克罗内克积和Khatri-Rao积 | 第27-28页 |
2.2.2 张量的表示方法 | 第28-29页 |
2.2.3 张量的基本运算 | 第29-30页 |
2.2.4 张量分解方法 | 第30-32页 |
2.3 本章小结 | 第32-34页 |
第三章 基于空谱稀疏张量的压缩成像 | 第34-50页 |
3.1 高光谱成像原理 | 第34-36页 |
3.1.1 传统光谱成像原理 | 第34-35页 |
3.1.2 传统光谱成像的局限 | 第35-36页 |
3.2 基于多路复用的光谱压缩成像 | 第36-39页 |
3.2.1 多维信号的压缩感知 | 第36-37页 |
3.2.2 多路复用的系统结构 | 第37-38页 |
3.2.3 编码算子的设计 | 第38-39页 |
3.3 基于张量分解的压缩感知恢复算法 | 第39-44页 |
3.3.1 基于张量的多维字典学习 | 第39-42页 |
3.3.2 向量化的多维信号恢复算法 | 第42页 |
3.3.3 基于张量的TOMP恢复算法 | 第42-44页 |
3.4 仿真实验与结果分析 | 第44-49页 |
3.4.1 实验条件说明 | 第44-45页 |
3.4.2 多维字典学习结果 | 第45-46页 |
3.4.3 基于张量分解的压缩感知恢复结果 | 第46-49页 |
3.5 本章小结 | 第49-50页 |
第四章 基于核函数与张量的非线性压缩成像方法 | 第50-62页 |
4.1 基于核函数的非线性压缩感知 | 第50-52页 |
4.1.1 核函数方法简介 | 第50-51页 |
4.1.2 基于kernel trick的压缩感知 | 第51-52页 |
4.2 基于稀疏张量的核压缩感知 | 第52-55页 |
4.2.1 基于稀疏张量的核压缩感知模型 | 第52-53页 |
4.2.2 基于张量最小二乘的非迭代快速恢复算法 | 第53-55页 |
4.3 基于自学习的Tensor-NCS方法 | 第55-56页 |
4.4 仿真实验与结果分析 | 第56-60页 |
4.4.1 实验条件说明 | 第56页 |
4.4.2 Tensor-NCS空域恢复有效性研究 | 第56-58页 |
4.4.3 自学习的Tensor-NCS恢复效果分析 | 第58-60页 |
4.5 本章小结 | 第60-62页 |
第五章 基于非负核字典学习的非线性压缩成像 | 第62-74页 |
5.1 字典学习方法简介 | 第62-64页 |
5.1.1 字典学习基本模型 | 第62-63页 |
5.1.2 非负字典学习 | 第63-64页 |
5.2 非负核字典学习方法 | 第64-67页 |
5.2.1 核空间中的非负字典学习模型 | 第64-65页 |
5.2.2 核空间中的非负稀疏编码 | 第65-67页 |
5.2.3 核空间中的非负字典更新 | 第67页 |
5.3 基于非负核字典学习的非线性压缩感知 | 第67-68页 |
5.4 核空间中观测矩阵的耦合优化 | 第68-71页 |
5.5 仿真实验与结果分析 | 第71-73页 |
5.5.1 实验条件说明 | 第71页 |
5.5.2 实验结果与分析 | 第71-73页 |
5.6 本章小结 | 第73-74页 |
第六章 结论和展望 | 第74-76页 |
6.1 研究结论 | 第74-75页 |
6.2 研究展望 | 第75-76页 |
参考文献 | 第76-82页 |
致谢 | 第82-84页 |
作者简介 | 第84-85页 |
1. 基本情况 | 第84页 |
2. 教育背景 | 第84页 |
3. 在学期间的研究成果 | 第84-85页 |