压缩传感,英文名称compressed sensing,压缩与传感同步。压缩传感理念在运用于实际问题处理时,样本数据必须满足可压缩性(即稀疏性),同时还要满足能够找到合适的测量矩阵重构出合理的数据。L1范数比L2范数更适合于求解,这是因为使用l1范数优化,解能够以压倒性的概率出现在坐标轴上,而使用L2范数优化,解与实际值的偏差更大。(这在rachel-zhang的博客中有提到)。
常见的稀疏矩阵有高斯矩阵。测量矩阵有傅里叶矩阵。而在处理实际问题时,测量矩阵的值以实际问题而定。比如在风洞试验中,测量矩阵是0-1矩阵。
压缩传感的采样率并不小,在使用压缩传感之前,我们对样本矩阵降维处理能够使得,采样率更小。
常见的降维方法有非负矩阵分解,pod等等。