| 基于粒子群优化的稀疏分解最优匹配原子搜索算法 |
| |
| 引用本文： | 王春光,刘金江,孙即祥.基于粒子群优化的稀疏分解最优匹配原子搜索算法[J].国防科技大学学报,2008,30(2):83-87. |
| |
| 作者姓名： | 王春光 刘金江 孙即祥 |
| |
| 作者单位： | 1. 国防科技大学,电子科学与工程学院,湖南,长沙,410073
2. 南阳师范学院,计算机系,河南,南阳,473061 |
| |
| 摘 要： | 信号的稀疏分解能得到信号的稀疏表示形式,便于进一步处理,但其计算非常复杂,是一个NP问题.粒子群优化是群体智能优化算法,算法简单,易于实现,且搜索效果好.把粒子群优化算法用于稀疏分解的最优匹配原子的搜索,能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用,以提高用稀疏分解理论进行信号处理的计算效率,满足或接近实时性的要求.实验证明,此方法切实可行.
|
| 关 键 词： | 粒子群优化 稀疏分解 心电信号 图像处理 粒子群优化算法 稀疏分解 最优匹配 原子 搜索算法 Sparse Decomposition Particle Swarm Optimization Based Atoms Matching Best Searching 方法 验证 实时性 计算效率 信号处理 分解理论 存储空间 字典 |
| 文章编号： | 1001-2486(2008)02-0083-05 |
| 收稿时间： | 9/4/2007 12:00:00 AM |
| 修稿时间： | 2007年9月4日 |
Algorithm of Searching for the Best Matching Atoms Based on Particle Swarm Optimization in Sparse Decomposition |
| |
| WANG Chunguang,LIU Jinjiang and SUN Jixiang.Algorithm of Searching for the Best Matching Atoms Based on Particle Swarm Optimization in Sparse Decomposition[J].Journal of National University of Defense Technology,2008,30(2):83-87. |
| |
| Authors: | WANG Chunguang LIU Jinjiang and SUN Jixiang |
| |
| Institution: | WANG Chun-guang1,LIU Jin-jiang2,SUN Ji-xiang1(1.College of Electronic , Engineering,National Univ.of Defense Technology,Changsha 410073,China,2.Department of Computer,Nanyang Normal University,Nanyang 473061,China) |
| |
| Abstract: | Sparse decomposition of signal can get sparse representation of signal,and then next disposal can use this sparse representation expediently.But sparse decomposition is very complex(NP problem).Particle swarm optimization is a kind of optimization algorithm using colony aptitude.Its theory is simple to be realized,and the result of searching is good.To reduce complexity of sparse decomposition and space of memory,particle swarm optimization is used in searching the best atom.Particle swarm optimization can ... |
| |
| Keywords: | particle swarm optimization sparse decomposition ECG image processin |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《国防科技大学学报》浏览原始摘要信息 |
| 点击此处可从《国防科技大学学报》下载免费的PDF全文 |
|
