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 squares method, exploiting fast matrix-vector multiplications within a conjugate gradient inner iteration. For large-scale problems we study an enhanced subspace correction method towards parallelization.      «

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...     »

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 durch das Einführen und die Analyse einer iterativ-neugewichtete kleinste Quadrate Methode, indem wir schnelle Matrix-Vektor Multiplikationen in einer internen Konjugierte Gradienten Iteration ausnutzen. Für großskalierte Probleme untersuchen wir eine verbesserte Unterraum-Korrektur Methode auf Parallelisierungsmöglichkeiten.     «

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...     »