| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.2.1 压缩感知的研究现状 | 第9-10页 |
| 1.2.2 两个特殊的稀疏信号恢复的研究现状 | 第10页 |
| 1.3 本文主要工作及全文组织结构 | 第10-12页 |
| 2 稀疏信号数据的重构理论—–压缩感知 | 第12-17页 |
| 2.1 压缩感知的提出 | 第12-13页 |
| 2.2 压缩感知的三大核心问题 | 第13-16页 |
| 2.2.1 信号的稀疏表示 | 第13页 |
| 2.2.2 测量矩阵的设计 | 第13-14页 |
| 2.2.3 稀疏信号数据的重构理论 | 第14-16页 |
| 2.3 本章小结 | 第16-17页 |
| 3 稀疏相位恢复的迭代硬阈值算法 | 第17-32页 |
| 3.1 相位恢复 | 第17页 |
| 3.2 迭代硬阈值 | 第17-18页 |
| 3.3 针对?0正则化问题的迭代硬阈值算法 | 第18-24页 |
| 3.3.1 稀疏相位恢复的迭代硬阈值算法 | 第19页 |
| 3.3.2 最优化转化 | 第19-22页 |
| 3.3.3 迭代算法的收敛性 | 第22-24页 |
| 3.4 稀疏相位恢复的回溯迭代硬阈值算法 | 第24-25页 |
| 3.5 IHT算法的数值仿真 | 第25-27页 |
| 3.5.1 实验背景 | 第25页 |
| 3.5.2 实验结果 | 第25-27页 |
| 3.6 BIHT算法的数值仿真 | 第27-30页 |
| 3.7 本章小结 | 第30-32页 |
| 4 内投影神经网络对l1?2最小化问题的稀疏信号恢复 | 第32-44页 |
| 4.1 问题介绍 | 第33-34页 |
| 4.2 神经网络模型与分析 | 第34-36页 |
| 4.2.1 模型描述 | 第34-35页 |
| 4.2.2 稳定性与收敛性分析 | 第35-36页 |
| 4.2.3 重构算法 | 第36页 |
| 4.3 数值仿真 | 第36-39页 |
| 4.4 本章小结 | 第39-44页 |
| 5 总结与展望 | 第44-46页 |
| 5.1 本文工作的总结 | 第44页 |
| 5.2 未来工作的展望 | 第44-46页 |
| 参考文献 | 第46-54页 |
| 致谢 | 第54-55页 |
| 已完成文章目录 | 第55页 |