![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/582E1023-0632-417C-ABC8-F073FA7C2B81 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.79106 | - |
| Γλώσσα | en | - |
| Μέγεθος | 77 pages | el |
| Τίτλος | Greedy algorithms for reconstruction of high-dimensional sparse vectors | en |
| Τίτλος | “ ‘Απληστοι” αλγόριθμοι μηχανικής μάθησης για την ανακατασκευή αραιών διανυσμάτων πολύ μεγάλης διάστασης | el |
| Δημιουργός | Siaminou Ioanna | en |
| Δημιουργός | Σιαμινου Ιωαννα | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Liavas Athanasios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Λιαβας Αθανασιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Karystinos Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Καρυστινος Γεωργιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Reconstruction of signals from measured data is often encountered in various fields of science. However, the dimension of the target signal is often much larger than the number of the collected measurements. In these cases, signal reconstruction is practically impossible in general. Luckily, by assuming that the signal we wish to reconstruct has certain structure, the reconstruction becomes feasible. In Compressed Sensing, we deal with the system y = Ax, where the so-called measurement matrix A has dimensions (m x n), with m < n. In this area, the notion of sparsity is used as a constraint on the target signal x. In this thesis, we concentrate on greedy algorithms, studied extensively in the literature, and the conditions that guarantee successful reconstruction. First, we provide a theoretical background of Compressed Sensing and, afterwards, we proceed with the presentation and analysis of greedy algorithms, such as Orthogonal Matching Pursuit (OMP) and Compressive Sampling Matching Pursuit (CoSaMP). We complement our presentation with numerical experiments, using as performance metric the relative signal reconstruction error. Then, we investigate the extension of sparse vector reconstruction in non-linear scenarios. For this purpose, we consider a greedy algorithm, the Gradient Support Pursuit (GraSP), which is an extension of CoSaMP. We present the conditions that must be satisfied in this framework for successful reconstruction, and compare the performance of GraSP to LASSO, of the GLMnet package, for the logistic model. Finally, we propose a method for non-linear scenarios inspired by GraSP and OMP, test it for the logistic model, and compare the results to those of GraSP and GLMnet. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2018-10-11 | - |
| Ημερομηνία Δημοσίευσης | 2018 | - |
| Θεματική Κατηγορία | Compressed sensing | en |
| Θεματική Κατηγορία | Sparse recovery | en |
| Βιβλιογραφική Αναφορά | Ioanna Siaminou, "Greedy algorithms for reconstruction of high-dimensional sparse vectors", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2018 | en |
| Βιβλιογραφική Αναφορά | Ιωάννα Σιάμινου, "“ ‘Απληστοι” αλγόριθμοι μηχανικής μάθησης για την ανακατασκευή αραιών διανυσμάτων πολύ μεγάλης διάστασης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018 | el |
Copyright © DIAS 2013
