ম্যাটল্যাব কোডগুলির মাধ্যমে সংবেদনশীল সংবেদন


13

সংকুচিত সংবেদনের বিষয়টিতে আমি নতুন। আমি এটি সম্পর্কে আর বারানুক, ওয়াই এলদার, টেরেন্স টাও ইত্যাদির কয়েকটি কাগজ পড়েছি। এই সমস্ত কাগজপত্রগুলি মূলত এর পেছনের গাণিতিক বিশদ সরবরাহ করে, অর্থাত্ স্পারসিটি, আরআইপি, এল 1 নূন্যতমকরণ ইত্যাদি However তবে যে কেউ ম্যাটল্যাব কোড সরবরাহ করতে পারে যে সংবেদনশীল সংবেদন অর্জন?

কোনো সাহায্যের জন্য আগাম ধন্যবাদ।


1
কোডের জন্য অনুরোধগুলি এখানে অফ-টপিক।
পিকনেটস

উত্তর:


18
  • বেশিরভাগ কোডটি সরল মতলব কোড
  • প্যাকেজের প্রতিটি ফোল্ডারে একটি নির্দিষ্ট সিগন্যাল মডেলের উপর ভিত্তি করে সিএস রিকভারি অ্যালগরিদম এবং সেই পুনরুদ্ধারের অ্যালগরিদম পরীক্ষা করে এমন স্ক্রিপ্ট থাকে। স্ক্রিপ্টগুলির নামগুলি সাধারণত '_example.m' দিয়ে শেষ হয়
  • Manopt । সম্ভবত আপনি অন্যান্য টুলবক্সগুলিতে অন্তর্ভুক্ত অ্যালগরিদমগুলি তৈরি করতে যা ব্যবহার করেন তা সম্ভবত।

ম্যানিফোল্ডগুলিতে অপ্টিমাইজেশন ননলাইনার অপ্টিমাইজেশান সমস্যাগুলি সমাধান করার জন্য একটি শক্তিশালী দৃষ্টান্ত।

অপ্রয়োজনীয় অভিধানগুলিতে বিচ্ছুরিত বিস্তৃতি গণনা করতে এবং স্পার্স নিয়মিতকরণ (এবং টিভি নিয়ন্ত্রণ) এর সাথে বিপরীত সমস্যাগুলি সমাধান করার জন্য এই সরঞ্জামবক্সটি বেশ কয়েকটি অ্যালগরিদম প্রয়োগ করে।

তবে সেগুলি এবং আরও অনেকগুলি এই সরঞ্জাম বাক্সগুলির তালিকায় অন্তর্ভুক্ত রয়েছে ।

আমি খুঁজে পেয়েছি হার্ড অংশটি স্যুইচোডকোড সন্ধান করছে - সেখানেই তারা আসলে অ্যালগরিদম বর্ণনা করে। এখানে অ্যালগরিদমের কয়েকটি উদাহরণ দেওয়া আছে যা এতে স্যুইডোকোড অন্তর্ভুক্ত ছিল:


8

আমি মনে করি আমি তখন এখানে অফ-টপিকের জবাব দিচ্ছি, তবে এল 1-অপ্টিমাইজেশন পদ্ধতির জন্য, আমি YALL1 ( http://yall1.blogs.rice.edu/ ) এবং এসপিজিএল 1 ( http://www.cs.ubc.ca/ ~ এমপিএফ / স্পিগএল ​​1 / ) খুব দরকারী এবং দক্ষ প্যাকেজ। TFOCS ( http://cvxr.com/tfocs/ ) ব্যবহার করা সম্ভবত কিছুটা শক্ত, তবে এটি বেশ নমনীয় হওয়া উচিত। এছাড়াও সিভিএক্স ( http://cvxr.com/cvx/ ) রয়েছে যা সরাসরি কোডে উত্তল অপটিমাইজেশন সমস্যাগুলি টাইপ করা খুব সহজ করে তোলে তবে সংকুচিত সংবেদনশীল-নির্দিষ্ট ধরণের সমস্যা সমাধানের জন্য এটি যথেষ্ট ধীর কারণ এটি একটি খুব সাধারণ সমাধানকারী।

স্পার্সেল্যাব-তে কিছু পুনর্গঠন অ্যালগরিদমও রয়েছে ( http://sparselab.stanford.edu/ )।

স্পার্স পুনর্গঠন কোডের একটি বৃহত তালিকা এখানে তালিকাভুক্ত করা হয়েছে: https://sites.google.com/site/igorcarron2/cs#recon تعمیر


6

মনে রাখবেন, L1 কেবল সংবেদনশীল সংবেদনের একমাত্র পন্থা নয়। ইন আমাদের গবেষণা , আমরা আনুমানিক বার্তা পাসিং (, AMP) সঙ্গে ভাল সাফল্য ছিল। আমি "সাফল্য "টিকে নিম্ন ত্রুটি, আরও ভাল ফেজ ট্রানজিশন (কম পর্যবেক্ষণের সাথে পুনরুদ্ধার করার ক্ষমতা) এবং নিম্ন জটিলতা (উভয় স্মৃতি এবং সিপিইউ) হিসাবে সংজ্ঞায়িত করছি।

আনুমানিক বার্তা পাসিং অ্যালগরিদম একটি বৃহত স্কেল লিনিয়ার সিস্টেমে অজানা ভেক্টরগুলির অনুমানের জন্য একটি বেইসিয়ান কাঠামোটি স্থাপন করে যেখানে লিনিয়ার সিস্টেমের ইনপুট এবং ফলাফলগুলি পরীক্ষামূলক মডেল দ্বারা নির্ধারিত হয় (উদাহরণস্বরূপ "এই ভেক্টরটি শব্দের সাথে পরিমাপ করা হয়েছিল", "এই ভেক্টরটির কিছু রয়েছে) শূন্য ")। মূল , AMP পদ্ধতির Donoho দ্বারা নকল দ্বারা পরিশ্রুত হয়েছে Rangan মধ্যে সাধারণভাবে সঙ্গে আনুমানিক বার্তা পাসিং মতলব কোড প্রাপ্তিসাধ্য। ইনপুট এবং আউটপুট প্রায় স্বেচ্ছাসেবী সম্ভাবনা ঘনত্ব ফাংশন হতে পারে। আমাদের গবেষণায়, আমরা খুঁজে পেয়েছি যে জ্যাম্প সাধারণত L1 উত্তল পদ্ধতির এবং লোভী পদ্ধতির (যেমন আর্থোগোনাল ম্যাচিং সাধনা) এর চেয়ে দ্রুত, আরও নির্ভুল এবং আরও দৃ rob় (পড়ুন: আরও ভাল ফেজ ট্রানজিশন বক্ররেখা) is

আমার পরামর্শদাতা এবং আমি সবেমাত্র বিশ্লেষণ সিএস-এর জন্য গ্যাম্প ব্যবহার করার জন্য একটি কাগজ লিখেছিলাম , যেখানে কেউ অজানা ভেক্টর এক্স-তে নয়, বরং সেই অজানা, ডাব্লুএক্সের লিনিয়ার ফাংশনটিতে শূন্যতার প্রাচুর্য আশা করে।



0

নতুনদের জন্য সিএস, এমপি, ওএমপি ইত্যাদির বুনিয়াদি ব্যাখ্যা করে কোডিং টিউটোরিয়ালে আমি বেশ কয়েকটি হাত লিখেছি। আপনি এগুলি https://sparse-plex.readthedocs.io/en/latest/demos/index.html এ দেখতে পারেন

এটি আমার লাইব্রেরির স্পার-প্লেক্সের অংশ গিটহাব https://github.com/indigits/sparse-plex এ উপলব্ধ

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.