User: Guest  Login
Original title:
Algorithms for Robust and Fast Sparse Recovery 
Original subtitle:
New Approaches Towards the Noise Folding Problem and the Big Data Challenge 
Translated title:
Algorithmen für robustes und schnelles Sparse Recovery 
Translated subtitle:
Neue Ansätze zum Noise Folding Problem und der Big Data Herausforderung 
Year:
2016 
Document type:
Dissertation 
Institution:
Fakultät für Mathematik 
Advisor:
Fornasier, Massimo (Prof. Dr.) 
Referee:
Fornasier, Massimo (Prof. Dr.); Rauhut, Holger (Prof. Dr.); Zhu, Xiaoxiang (Prof. Dr.) 
Language:
en 
Subject group:
MAT Mathematik 
Keywords:
sparse recovery, compressed sensing, iteratively reweighted least squares, parallelization 
Translated keywords:
Sparse Recovery, Compressed Sensing, iterativ-neugewichtete kleinste Quadrate, Parallelisierung 
TUM classification:
MAT 650d; MAT 490d 
Abstract:
We analyze and numerically validate novel algorithms for sparse recovery in mathematical signal processing. Our focus is on enhancing both robustness and efficiency with respect to state-of-the-art. Regarding robustness, we propose non-convex formulations of sparse recovery problems, featuring enhanced signal identification properties if the original signal is affected by noise prior to measurements. We address improving efficiency by introducing and analyzing an iteratively re-weighted least sq...    »
 
Translated abstract:
Wir analysieren und validieren numerisch neue Algorithmen für Sparse Recovery in mathematischer Signalverarbeitung. Unser Fokus liegt auf der Verbesserung von Robustheit und Effizienz bezüglich des State of the Art. Hinsichtlich der Robustheit schlagen wir nicht-konvexe Formulierungen von Sparse Recovery Problemen vor, welche verbesserte Signalidentifizierungseigenschaften aufweisen, wenn das ursprüngliche Signal durch Rauschen vor der Messung gestört ist. Wir behandeln die verbesserte Effizienz...    »
 
Oral examination:
24.10.2016 
File size:
3953213 bytes 
Pages:
242 
Last change:
07.11.2016