Поиск совпадений (MP) - это алгоритм разреженной аппроксимации, который находит «наилучшие совпадающие» проекции многомерных данных на диапазон сверхполного (т. Е. Избыточного) словаря. Основная идея состоит в том, чтобы приблизительно представить сигнал из гильбертова пространства как взвешенную сумму конечного числа функций (называемых атомами), взятых из. Приближение с атомами имеет вид
где - й столбец матрицы, а - скалярный весовой коэффициент (амплитуда) для атома. Обычно в этой сумме используется не каждый атом. Вместо этого поиск совпадений выбирает атомы по одному, чтобы максимально (жадно) уменьшить ошибку приближения. Это достигается путем нахождения атома, имеющего наивысший внутренний продукт с сигналом (при условии, что атомы нормализованы), вычитания из сигнала приближения, в котором используется только этот один атом, и повторения процесса до тех пор, пока сигнал не будет удовлетворительно разложен, т. Е. норма невязки мала, где невязка после вычисления и обозначается
Если быстро сходится к нулю, то для получения хорошего приближения требуется всего несколько атомов. Такие разреженные представления желательны для кодирования и сжатия сигналов. Точнее говоря, проблема разреженности, которую приближенно решает поиск совпадений, имеет вид
где - псевдонорма (т. е. количество ненулевых элементов). В предыдущих обозначениях ненулевыми элементами являются. Точное решение проблемы разреженности NP-сложно, поэтому используются методы аппроксимации, такие как MP.
Для сравнения рассмотрим представление сигнала с помощью преобразования Фурье - это можно описать с помощью терминов, приведенных выше, где словарь строится из синусоидальных базисных функций (наименьший возможный полный словарь). Основным недостатком анализа Фурье при обработке сигналов является то, что он извлекает только глобальные особенности сигналов и не адаптируется к анализируемым сигналам. Взяв чрезвычайно избыточный словарь, мы можем искать в нем атомы (функции), которые лучше всего соответствуют сигналу.
Если содержит большое количество векторов, поиск наиболее разреженного представления является вычислительно неприемлемым для практических приложений. В 1993 году Маллат и Чжан предложили жадное решение, которое они назвали «Соответствующее преследование». Для любого сигнала и любого словаря алгоритм итеративно генерирует отсортированный список индексов атомов и весовых скаляров, которые образуют субоптимальное решение проблемы разреженного представления сигнала.
Algorithm Matching Pursuit Input: Signal: , dictionary with normalized columns . Output: List of coefficients and indices for corresponding atoms . Initialization: ; ; Repeat: Find with maximum inner product ; ; ; ; Until stop condition (for example: ) return
В обработке сигналов концепция согласованного преследования связана со статистическим преследованием проекции, в котором обнаруживаются «интересные» проекции; те, которые больше отклоняются от нормального распределения, считаются более интересными.
Поиск соответствия применяется к кодированию сигналов, изображений и видео, представлению и распознаванию форм, кодированию трехмерных объектов и в междисциплинарных приложениях, таких как мониторинг состояния конструкций. Было показано, что оно работает лучше, чем кодирование на основе DCT, для низких скоростей передачи как по эффективности кодирования, так и по качеству изображения. Основная проблема с поиском соответствия - вычислительная сложность кодировщика. В базовой версии алгоритма поиск в большом словаре нужно искать на каждой итерации. Улучшения включают использование приблизительных словарных представлений и неоптимальных способов выбора наилучшего соответствия на каждой итерации (извлечение атомов). Алгоритм согласованного преследования используется в MP / SOFT, методе моделирования квантовой динамики.
MP также используется в изучении словарей. В этом алгоритме атомы изучаются из базы данных (как правило, естественные сцены, такие как обычные изображения), а не выбираются из общих словарей.
Популярным расширением Matching Pursuit (MP) является его ортогональная версия: Orthogonal Matching Pursuit (OMP). Основное отличие от MP состоит в том, что после каждого шага все коэффициенты, извлеченные на данный момент, обновляются путем вычисления ортогональной проекции сигнала на подпространство, охватываемое набором выбранных атомов. Это может привести к результатам лучше, чем стандартный MP, но требует больше вычислений. Было показано, что OMP имеет гарантии стабильности и производительности при определенных ограниченных условиях изометрии.
Такие расширения, как Multichannel MP и Multichannel OMP, позволяют обрабатывать многокомпонентные сигналы. Очевидным расширением Matching Pursuit является использование нескольких позиций и масштабов за счет расширения словаря до уровня вейвлет-основы. Это можно эффективно сделать с помощью оператора свертки без изменения основного алгоритма.
Поиск совпадений связан с областью сжатого зондирования и был расширен исследователями в этом сообществе. Известными расширениями являются поиск по ортогональному согласованию (OMP), поэтапный OMP (StOMP), поиск по согласованию с компрессионной выборкой (CoSaMP), обобщенный OMP (gOMP) и многолучевой поиск по согласованию (MMP).