| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 引言 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 压缩感知的研究现状 | 第10-12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 论文的结构 | 第13-15页 |
| 第二章 预备知识 | 第15-21页 |
| 2.1 压缩感知理论 | 第15-19页 |
| 2.1.1 信号的稀疏性表示问题 | 第15-17页 |
| 2.1.2 观测矩阵的设计问题 | 第17-18页 |
| 2.1.3 信号重构算法的设计 | 第18-19页 |
| 2.2 非光滑分析与光滑逼近理论 | 第19-21页 |
| 2.2.1 非光滑分析理论 | 第19-20页 |
| 2.2.2 光滑逼近理论 | 第20页 |
| 2.2.3 本章小结 | 第20-21页 |
| 第三章 光滑神经网络算法在最小化L_(p?q)信号重构问题中的研究 | 第21-43页 |
| 3.1 混合范数模型L_(p?q)的描述 | 第21-26页 |
| 3.1.1 压缩感知稀疏信号重构模型 | 第21-22页 |
| 3.1.2 混合范数模型L_(p?q)的分析 | 第22-26页 |
| 3.2 光滑惯性神经网络算法 | 第26-35页 |
| 3.2.1 混合范数模型L_(p?q)的光滑处理 | 第27-28页 |
| 3.2.2 光滑惯性神经网络算法的设计 | 第28页 |
| 3.2.3 光滑惯性神经网络算法收敛性分析 | 第28-35页 |
| 3.3 仿真实例 | 第35-38页 |
| 3.3.1 稀疏信号重构仿真 | 第36-37页 |
| 3.3.2 稀疏信号成功恢复率仿真实验 | 第37-38页 |
| 3.3.3 对比仿真实验 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 3.5 附录 | 第39-43页 |
| 第四章 光滑神经网络算法在含噪声的稀疏信号鲁棒重构问题中研究 | 第43-59页 |
| 4.1 L_1-L_q(2p1)最小问题 | 第43-44页 |
| 4.1.1 L_1-L_q(2p1)最小问题 | 第43页 |
| 4.1.2 L_1-L_q(2p1)最小问题的光滑化处理 | 第43-44页 |
| 4.2 光滑神经网络算法 | 第44-53页 |
| 4.2.1 光滑神经网络算法的设计 | 第44-47页 |
| 4.2.2 光滑神经网络算法算法的稳定性证明 | 第47-53页 |
| 4.3 实验仿真 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 4.5 附录 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士期间已发表的论文 | 第69页 |
| 攻读硕士期间参加的科研项目 | 第69页 |
