· 算法有两个核心：一个是压缩感知，一个是朴素贝叶斯分类器。
先说压缩感知，压缩感知突破了奈奎斯特采样定理对采样频率的要求，从而在采样环节就极大地的降低了数据采集量。因为正常来说，奈奎斯特采样的数据量太大，在传输过程中，一般都会采取压缩，最后解压还原。这里有一个值得思考的问题：既然压缩后的样本依旧能高度保留原信号的有效信息，那保留原信号信息的关键就不应该是采样频率，在采样的众多样本中，压缩后的少量样本应该是能高度涵盖原始信息的。所以保留原信号的信息的关键应该是数据代表性。采样直接采样出具有高度数据量高度代表性的样本，是压缩感知需要完成的挑战。
再具体的压缩感知的算法中，有比较多要注意的点。但在此算法中，最核心的是找到合适的随机测量矩阵。这里的随机测量矩阵为【之后补】
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
