一、压缩感知理论概述
所谓压缩感知理论,就是说:只要信号是可压缩的或在某个变换域是稀疏的,或者满足等距约束性(RIP),那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上,然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号,可以证明这样的投影包含了重构信号的足够信息。
好处:相比于其他压缩方法,能够大大降低存储空间和计算复杂度。
二、压缩感知理论的历史
压缩感知理论依赖于L1技术,历史上L1技术已经用于其他科学领域。在统计学上,最小二乘法是由L1规则化补充的,L1规则化由拉普拉斯提出。在统计学理论中,L1规则化被George W.Brown和后来的中值无偏估计的作者使用。也被Peter J. Huber和鲁棒统计的作者使用。同时,也用于信号处理中,例如,在19世纪70年代,当地质学家在基于数据构造地球反射层的时候,似乎并没有满足奈奎斯特定理,它还被用于1993年的匹配追踪和1996年的LASSO估计器和1998的basis pursuit。有理论结果描述这些算法何时恢复稀疏,但是所需的类型和测量的数量是次优的,后来的压缩感知大大的改善了L1.