حسگری (سنجش) فشرده توزیعی: رویکرد یادگیری عمقی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

حسگری (سنجش) فشرده توزیعی: رویکرد یادگیری عمقی

عنوان لاتین

Distributed Compressive Sensing: A Deep Learning Approach

اخیرا مطالعات گوناگونی که در مورد مساله حسگری فشرده با بردارهای اندازه گیری چندگانه (MMVs) سخن گفته اند، انجام شده است. در این مطالعات فرض بر این است که بردارهای کانال های مختلف به طور مشترک پراکنده هستند. در این مقاله، این وضعیت را آرام در نظر می گیریم. در عوض فرض می کنیم که این بردارهای پراکنده به یکدیگر وابسته اند اما این وابستگی ناشناخته است. ما این وابستگی را با محاسبه احتمال شرطی هر ورود در هر بردار غیر صفر با توجه به "باقیمانده" همه بردارهای قبلی به دست می آوریم. برای برآورد این احتمالات، ما استفاده از حافظه کوتاه مدت ماندگار (LSTM) را پیشنهاد می کنیم [1]، یک مدل داده رانده شده برای مدل سازی توالی است که از لحاظ زمانی طولانی است. برای محاسبه پارامترهای مدل، یک تابع هزینه کراس آنتروپی را به حداقل می رسانیم. برای بازتولید بردارهای پراکنده در رمزگشا (دکودر)، یک حل کننده حریص که از مدل فوق برای تخمین احتمالات شرطی استفاده می کند، را پیشنهاد می کنیم. با انجام آزمایش های گسترده بر روی دو مجموعه داده از دنیای واقعی، نشان می دهیم که روش پیشنهادی به طور قابل توجهی بهتر از حل کننده MMV معمول (تعقيب تطابق متعامد هم زمان (SOMP)) و تعدادی از روش های بیزی مبتنی بر مدل عمل می کند. روش پیشنهادی هیچ گونه پیچیدگی به رمزگذار حسگر فشرده معمول اضافه نمی کند. مدل آموزش یافته فقط در دکودر (رمزگشا) استفاده می شود. به دلیل اینکه روش پیشنهادی یک روش داده محور است، تنها زمانی قابل استفاده است که داده های آموزشی موجود باشد. در حقیقت، داده های آموزشی در بسیاری از کاربردها در دسترس است، به عنوان مثال در تصاویر و فیلم های ضبط شده.

Various studies that address the compressed sensing problem with Multiple Measurement Vectors (MMVs) have been recently carried. These studies assume the vectors of the different channels to be jointly sparse. In this paper, we relax this condition. Instead we assume that these sparse vectors depend on each other but that this dependency is unknown. We capture this dependency by computing the conditional probability of each entry in each vector being non-zero, given the “residuals” of all previous vectors. To estimate these probabilities, we propose the use of the Long Short-Term Memory (LSTM) [1], a data driven model for sequence modelling that is deep in time. To calculate the model parameters, we minimize a cross entropy cost function. To reconstruct the sparse vectors at the decoder, we propose a greedy solver that uses the above model to estimate the conditional probabilities. By performing extensive experiments on two real world datasets, we show that the proposed method significantly outperforms the general MMV solver (the Simultaneous Orthogonal Matching Pursuit (SOMP)) and a number of the model-based Bayesian methods. The proposed method does not add any complexity to the general compressive sensing encoder. The trained model is used just at the decoder. As the proposed method is a data driven method, it is only applicable when training data is available. In many applications however, training data