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
x
x为一个
N
×
1
N\times 1
N×1的信号,也是需要恢复的信号;
y
y
y是一个
M
×
1
M\times 1
M×1的信号,表示采样的结果,
M
M
M为采样结果的长度,满足
M
<
<
N
M<<N
M<<N;
Φ
\Phi
Φ是一个
M
×
N
M \times N
M×N的矩阵,表示测量矩阵,那么压缩感知可以描述为:
y
=
Φ
x
y=\Phi x
y=Φx
在压缩感知中,往往需要
x
x
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
x
x可以表示成
x
=
W
θ
x=W\theta
x=Wθ
W
W
W为变换矩阵,
θ
\theta
θ为
x
x
x在变换域上的因子,稀疏度为
K
K
K。
经过变换之后,
y
=
Φ
W
θ
y=\Phi W\theta
y=ΦWθ
令
A
=
Φ
W
A=\Phi W
A=ΦW,将矩阵
A
A
A成为传感矩阵,则
y
=
A
θ
y=A\theta
y=Aθ
在压缩感知中,已知了测量的结果
y
y
y和传感矩阵
A
A
A,需要求解出稀疏信号
θ
\theta
θ。
需要注意的是,
A
A
A是一个
M
×
N
M\times N
M×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