English
资源说明：这篇文章题为《Robust off-grid recovery from compressed measurements》，主要研究了在压缩感知领域，如何从压缩测量中恢复稀疏信号并检测其非网格支持集。文章的主要内容集中在对原子范数正则化的最小二乘问题的研究上，旨在重构原始信号并探测其非网格支持集。
稀疏恢复和信号重构是压缩感知领域的核心问题之一，作者们在文中提出了一种基于原子集模型的一般形式，这有助于解决压缩感知中的一些关键问题。原子范数是支持集基数的最紧致的凸描述，尽管这一概念并非新近发明，但它允许稀疏域通过连续因子进行参数化，这对于某些高分辨率场合下的非网格支持检测是首选的方法。
文章中提出了原子范数模型和原子集模型的一般优化条件，并对原始问题及其对偶问题进行了讨论。基于对偶验证的一种新方法被提出，用来检测支持集，并证明了这种方法的有效性。文章还特别假设目标信号具有未知线谱，此时问题也涉及到对一个由连续参数索引的低维子空间进行估计，而这个子空间的维度本身是未知的。在这些假设条件下，重构的均方误差得以推导。文章通过数值实验验证了所提出方法的有效性和理论的合理性。
文章提出了稀疏恢复、鲁棒信号重构、非网格支持集检测、原子范数和线谱检测等关键术语，并在文中进行详细讨论。
在引言部分，作者们指出从压缩测量中重建稀疏信号及其支持集是压缩感知中的一个基本问题。这一问题最近通过原子范数和原子集模型得到了一般形式的统一。原子范数本身不是一个新发明的概念，而是支持集基数的最紧致凸描述。这种描述的优势在于它可以参数化稀疏域的连续因子，这有助于某些高分辨率场合下的非网格支持检测。
在这篇文章中，作者们研究了如何从压缩测量中恢复稀疏信号，并检测信号的非网格支持集。为了实现这一目标，他们提出了一个基于原子范数正则化的最小二乘问题，并对这个问题及其对偶问题的解决方法的一般优化条件进行了推导和讨论。此外，文章还提出了一种基于对偶认证的方法来检测支持集，并证明了这种方法的有效性。具体到本文研究的案例，假设目标信号具有未知线谱，此时问题转变成了对一个低维子空间的估计，这个子空间由连续参数索引，但其维度本身是未知的。在这些假设下，文章推导出了重构的均方误差，并通过数值实验验证了所提出方法的有效性和理论的合理性。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
