دانلود شبیه سازی مقاله مدل سازی ساختار مشارکتی سلسله مراتبی تنک (lasso)

مدل سازی تنک Lasso و hi-lasso

مدل سازی تنک یا sparse یک چارچوب قدرتمند برای تجزیه و تحلیل داده ها و پردازش است. حسگری فشرده سنجس فشرده یا compressive sensing یکی از روش هایی است که بر اساس تنک بودن سیگنال عمل می کند. به طور سنتی، رمزگذاری در این چارچوب با حل یک مشکل رگرسیون خطی ، معمولا Lasso نامیده می شود. در ابتدا،خواص نوآوری اسپاستی مدل لاسو lasso، در سطح ویژگی فردی، با خصوصیات بلوک sparsity از مدل گروه Lasso ترکیب شده است، جایی که گروه های مختص ویژگی ها به طور مشترک کد گذاری می شوند و یک الگوریتم اسپاریتی را که سلسله مراتبی ساختار یافته است، به دست می دهد.

این نتیجه در Lasso سلسله مراتبی است که نشان می دهد مزایای مدل سازی عملی مهم است. سپس این رویکرد را به مورد مشارکتی گسترش داده شده است، جایی که مجموعه ای از سیگنال های به طور همزمان کدگذاری یک الگوی اسپارتی مشابه در سطح بالاتر (گروهی) دارند، اما نه لزوما در پایین تر. سپس سیگنال ها گروه های فعال یا کلاس ها را به اشتراک می گذارند اما لزوما همان مجموعه فعال نیستند. این روش برای برنامه های کاربردی مانند جداسازی منبع بسیار مناسب است. یک روش بهینه سازی کارآمد، که همگرایی را به مطلوب جهانی تضمین می کند، برای این مدل های جدید طراحی شده است.

در این مقاله روش های مختلف پردازش سیگنال با استفاده از خواص sparse یا تنک بودن مورد تجزیه و تحلیل قرار گرفته است و یک مقاله پایه برای بحث های حسگری فشرده است که در شبیه سازی ها انواع روش ها از قبلی lasso و hi lasso و lasso مشارکتی و نیز لاسو بصورت گروهی صورت گرفته است و به صورت کامل در اختیار پژوهشگران قرار میگیرد که یک منبع کامل برای حسگری فشرده است.

در ادامه بخشی از نتایج شبیه سازی در نرم افزار متلب نشان داده شده است.

لاسو lasso