压缩感知中验证测量矩阵MM是否满足RIP性质

压缩感知看的一知半解，其中的测量矩阵中涉及到的数学知识一直没有跟上，这篇讲讲如何判断一个测量矩阵是否能够用于压缩感知中吧。众所周知的是受限等距性质（RIP），一般来说只要测量矩阵满足RIP，就能使用一定的重构算法把它恢复出来。然而在实际应用中，测量矩阵的RIP性质很难通过仿真或者实验的方法直接验证，因此只能通过其他相关的性质来验证。

在文献【1】中提出多模波导能够直接作为CS的测量矩阵，并给出了三个验证实验。笔者暂时没有多模波导的硬件条件，因此使用这三个思路验证了高斯随机矩阵。结果跟其实验结果大致吻合。

一：重构概率

第一个验证实验是给出已知的稀疏信号，然后通过测量矩阵MM后测算恢复概率。当K个位置频率，脉冲位置或者Haar 系数都被恢复且幅值恢复到1/10000，则此信号被认为恢复。这个倒是个很好理解的实验，直接比较了恢复的信号和已知的稀疏信号之间的相似性，如果两者偏差较小不就证明了这个测量矩阵是可用的嘛。

论文中的算法和博主在压缩感知重构算法之正交匹配追踪(OMP)的算法应该是差不多的，借鉴了大部分，代码如下：

这是OMP算法：

function [ hat_s ] = CS_OMP( y,phi,K,N ) 
T=phi;
r_s=y;
for time=1:K                                            %重构算法迭代K次，恢复稀疏度为K的稀疏信号
    product=abs(T'*r_s);                                %得到256个内积值
    [vol,index]=max(product);                           %找到最大内积值为vol，位置为索引index
    A(:,time)=T(:,index);                               %从T中提取出最大的内积值存储在A矩阵中
    s_recovery=(A'*A)^(-1)*A'*y;                       %求最小二乘解类似于一种逼近s的过程
    r_s=y-A*s_recovery;                                %更新残差
    index_arr