关于压缩感知的第一篇论文解析压缩感知研究新思路

9月5日，我在<<计算机应用研究>>上发表一篇文章，这篇论文目前还在审核！后续情况将继续报道。这里就压缩感知谈谈自己的想法。我们知道压缩感知是一种在香农采样频率下能够实现对信号的精准恢复，而能够让压缩感知有如此较好的功效的几个支撑就是其用来实现压缩功能的传感矩阵A（A=phi*psi）选取恰当（符合RIP准则，并且列向量之间保持相关度最低），并且选取高精度的重构算法，二者共同促进该功效的实现。当前对于传感矩阵(其实操作的是phi)为满足高斯型和伯努利型，当然也可以使用其他的办法，前提条件就是满足RIP准则，然而笔者在将压缩感知用于信道估计之时，发现其实只需要phi中的列向量的关联程度尽可能的低就可以满足压缩感知对传感矩阵的要求，这一方面可以从刘远航，晓彤， 帅，晋京等《基于二进制粒子群算法的 OFDM 稀疏信道导频优化》一文中可以看出，该文将压缩感知应用于信道估计，而信道估计最大的问题就是如何设计导频，而导频就是测量矩阵phi，最终形成新的传感矩阵A，而文中说明了提出测量矩阵互相关值最小准则，该准则提出随着测量矩阵的互相关值变小，稀疏信号的重构精度越高，因此压缩感知的传感矩阵就可以使用各种优化算法来优化，而优化的目标函数就是该准则，这就是研究压缩感知的一个新方向。再者压缩感知采用的匹配准则为内积准则，而内积准则主要使用的余弦准则，其原理就是通过原子和残差的空间夹角的大小的判定匹配程度，实际上这种方式并不准确，因为其没有考虑到原子之间的差异性和信号之间的差异性，导致匹配过程容易出现误差，因此第二个新方向就在于如何通过更加合理的匹配准则来获取更加京珠你的匹配原子，从而降低误差。此外压缩感知是一门理论结合实践的东西，当前其重构复杂度较高，运算时间长，如若将其使用在信道估计等要求快速性的计算中，显然效果不会很理想，因此如何实现对运算复杂度的降低（比如优化算法等）来实现其快速性重构。对于重构算法的改进则可以将各个算法的思路结合起来组建新算法，比如将ROMP的正则化思想引入到SP，SAMP，GOMP以及StOMP等算法中，或者将SAMP中自适应思想引入其他算法中，或者几种思想叠加，从而实现对重构的精准性的提升。笔者通过此文为各位读者讲解个人几点研究思路，可能会有思考不周的地方，还望大家批评指正！