压缩感知（CS）

研究意义

  在进行A/D转换过程中，我们常用奈奎斯特采样定理采样数据，也就是当采样频率fs大于原信号中最高频率fmax的2倍时，采样之后的数字信号完整地保留了原始信号中的信息。而在压缩感知中，信号可以以较低的频率（远低于奈奎斯特采样频率，且它的采样频率将取决于两个基本准则:稀疏性和非相关性，或者稀疏性和等距约束性）采样该信号，并可能以高概率精确的重建该信号。
  也就是说假如根据奈奎斯特采样定理，需要用1000个点恢复信号，而在压缩感知中只需要300个点（不固定，反正比1000少就对了），从而实现压缩效果。

实现压缩感知的前提条件:

  信号X要进行压缩感知，就需要满足稀疏性:信号要在它的某个变换域（有一个就行）上满足稀疏性，也就是说，在某个变换域上只由几个非零值，信号就可以进行压缩感知操作。
  常用的稀疏化方法有: 离散余弦变换（DCT）、傅里叶变换（FFT）、离散小波变换（DWT）等。

压缩感知的数学模型:

   简单来说压缩感知就是在一定条件下求解一个欠定方程，条件包括信号x要是稀疏的，测量矩阵要满足RIP条件，那么欠定(不适定)方程就会以很大的概率有唯一解。下面给出压缩感知的矩阵图:

压缩感知数学表达式为:

  其中Ψ是稀疏基，假设信号x在其频域上是稀疏的，X=ΨS表示逆傅里叶变换，则逆傅里叶变换的公式就是其稀疏基，S表示频域，如果经过其他变换得其稀疏，则其稀疏基也是对应公式。Φ为观测矩阵（也称测量矩阵），信号X可以通过观测矩阵线性投影得到 维线性观察值Y(M X 1维)，而观察矩阵的设计需要满足两个条件:1，它要与稀疏基矩阵的乘积满足RIP性质（有限等距性质或称其不相关）2，测量矩阵的设计要求信号从X转换为Y的过程中，所测量到的K个测量值不会破坏原始信号的信息，以保证信号可以精确重构。常用的观察矩阵有独立同分布的高斯随机测量矩阵（普适的观测矩阵），随机贝努利矩阵、部分正交矩阵、托普利兹和循环矩阵和稀疏随机矩阵等。Θ=ΦΨ(M X N维)为传感矩阵。

实现压缩感知的基本步骤:

压缩感知的信号重构算法:

  压缩感知的重构算法就是我们已知观测值Y和传感矩阵Θ的情况下，重构信号X的方法，目前，压缩感知的重构算法主要分为两大类:
  (1)贪婪算法，它是通过选择合适的原子并经过一系列的逐步递增的方法实现信号矢量的逼近，此类算法主要包括匹配跟踪算法、正交匹配追踪算法、补空间匹配追踪算法等。
  (2)凸优化算法，它是把0范数放宽到1范数通过线性规划求解的，此类算法主要包括梯度投影法、基追踪法、最小角度回归法等。
  凸优化算法比贪婪算法所求的解更加精确，但是需要更高的计算复杂度。