也谈压缩感知(compressive sensing)

CS framework:三个核心公式

压缩感知框架所要解决的是信号采样问题,如一个 N 维的信号 xRN×1,与传统的信号采样的方法不同,我们不是对 x 直接进行 N 次采样,而是对其进行 M 次观测(已知 M<N)。这可表示为如下的欠定系统:

y=Φx

yRN×1 就是所谓的观测向量(measured vector),ΦRM×N是随机观测矩阵(random measurement matrix)。

压缩感知的理论要求,在给定观测值 y 和观测矩阵 Φ 的条件下,要想唯一地重建出原始信号 xx 必须在某一给定的一组基 Ψ 下是稀疏。这意味着:

x=Ψs

s 就是所谓的 Ksparse,也即 s 中最多有 K 个显著不为零的元素。基(basis) Ψ 可以是完备的(complete),也即 ΨRN×N,也可以是超完备的(overcomplete),也即 ΨRN×N1,其中 N<N1。由以上两等式可得:
y=As

其中 A=ΦΨ

单观测向量(SMV) vs 多观测向量(MMVs)

因为只有一个观察向量 y,以上问题又被称作单观测向量问题(SMV,Single Measurement Vector)在压缩感知的理论体系中。

有单观测向量问题,自然也就有多观测向量问题(MMVs,Multiple Measurement Vectors),其要解决的问题是,从 L 个观察向量的集合 {yi}i=1,2,,L 中重建 L 个稀疏向量的集合 {si}i=1,2,,L

阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/lanchunhui/article/details/50703731
个人分类: 学术
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭