压缩感知的一些知识点

1、关于l0范数，l1范数。

在压缩感知中求解稀疏矢量，通常通过解使得变量xl0范数最小的值。

2、低秩矩阵

低秩矩阵是指其秩（rank）较低的矩阵。矩阵的秩是指其非零特征值的个数，也等于矩阵的行秩和列秩中的较小值。

在压缩感知中，常常利用低秩性质来恢复信号。例如，在图像压缩中，图像通常有很强的局部相关性，使得其对应的矩阵具有较低的秩。因此，可以利用这种低秩性质，用较少的信息来表示图像，从而实现压缩。

低秩矩阵在压缩感知中的应用主要是基于矩阵恢复理论。这些方法通常利用了矩阵的低秩性质，以及观测矩阵的特殊性质（如列满秩或其他结构性质），从而能够从少量的观测中恢复出原始的低秩矩阵。

如果一个观测矩阵的列满秩就可以得出其列向量线性无关的结论，那就可以得到y=Ax这个观测方程有唯一解，但是我们在处理CS类问题时，观测矩阵的行是明显小于列的，他就不可能达到列满秩的情况，所以观测矩阵必定是一个低秩矩阵。但是由于未知变量是一个稀疏或近似稀疏的形式，即使没有列满秩，我们也可以用较少的观测数据来得到其稀疏解。

3、测量矩阵的选取

测量矩阵要满足的条件有：零空间性质（NSP）、限制等距原则（RIP）、球形截面属性（SSP）、RIPless条件

在测量矩阵中选取的关键点，就是要其具有较低的相干性。通常采用的测量矩阵为：高斯随机矩阵、傅里叶矩阵、哈达玛-沃什矩阵、随机托普利兹矩阵、循环矩阵等

通过测量矩阵的选取，其对应测量数对于系统能否正常工作也有很大关联。对于RIP条件，要求一个m*n维的测量矩阵m>=O(klog(n/k))，其中k是稀疏度，n是未知变量维度。

参考：

1、ChatGPT

2、压缩感知理论及其在无线网络中的应用