压缩感知简介

前言

经过了暑假一个多月对压缩感知的学习，对压缩感知有一定的了解，本文主要是基于我对压缩感知技术的了解，还不能说是理解，如有错误还请多多指正。

压缩感知（Compressive Sensing, CS）

压缩感知用浅显的话来说就是用特定的技术对信号进行采样，然后用重构算法对采样结果进行复原，从而恢复原始信号。

在信号与系统课程的学习中，需要以奈奎斯特采样速率对信号进行采样。而奈奎斯特速率等于信号最高频率的两倍。随着信号带宽的增大，所需的采样频率也越来越大，对模数转换器（Analog-to-Didital Converter,ADC）的要求变高。同时所采集的信号在存储、运输过程中存在一定的挑战。压缩感知则认为可以用低于奈奎斯特采样速率进行采样，通过能够恢复出原始信号。
在我暑假学习的过程中，压缩感知用在了信号的频谱分析、图像压缩等方面。

数学模型

假设$x$为一个$N\times 1$的信号，也是需要恢复的信号；$y$是一个 $M\times 1$的信号，表示采样的结果，$M$为采样结果的长度，满足$M<<N$；$\Phi$是一个$M\times N$的矩阵，表示测量矩阵，那么压缩感知可以描述为：
$$y=\Phi x$$
在压缩感知中，往往需要$x$为稀疏信号或者经过某一变换后能够稀疏表示，常见的变换有傅里叶变换、离散余弦变换等。在各种变换下，$x$可以表示成
$$x=W\theta$$
$W$为变换矩阵，$\theta$为$x$在变换域上的因子，稀疏度为$K$。
经过变换之后，$$y=\Phi W\theta$$
令$A=\Phi W$，将矩阵$A$成为传感矩阵，则
$$y=A\theta$$
在压缩感知中，已知了测量的结果$y$和传感矩阵$A$，需要求解出稀疏信号$\theta$。
需要注意的是，$A$是一个$M\times N$的矩阵，稀疏信号的求解需要求解欠定方程，是一个凸优化问题。

在研究过程中，主要集中在以下几个方面：
（1）传感矩阵的研究。传感矩阵需要满足约束等距性（Restricted Isometry Property，RIP），如何构造传感矩阵也是一重要的研究方向。
（2）重构算法的研究。算法对信号的恢复尤其重要。目前有很多常见的重构算法，比如匹配追踪（Matching Pursuits，MP），正交匹配追踪算法（Orthoganal Matching Pursuit，OMP），稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit，SAMP)等，另外MATLAB中也有CVX工具包，可以用来求解凸优化问题。

相关链接

下面是一些我之前看过的一些博客之类的，还是有些帮助。

首先是一个非常好的博客
AndyJee_博客园

知乎大佬的理解
压缩感知

然后是一个关于CVX工具箱的基础教程
CVX用户指南之基础