· 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】