An Introduction To Compressive Sampling：读后小记

最新推荐文章于 2021-10-23 16:25:43 发布

空城--

最新推荐文章于 2021-10-23 16:25:43 发布

阅读量773

点赞数 1

分类专栏： paper 文章标签：论文笔记

本文链接：https://blog.csdn.net/qq_41889434/article/details/88951208

版权

paper 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

文章名：《An Introduction To Compressive Sampling》

作者：Emmanuel J.Candes and Michael B.Wakin

本文主要是对压缩感知原理以及应用的一个简单介绍。本文主要分为

提出感知问题：只要满足一定稀疏性的信号在满足一定相干性的感知矩阵的测量下，可以通过linear programming 等方法重构信号。

稀疏性：我们可以选一个基（可以正交或非正交）对信号进行稀疏表示，然后仅取其中稀疏较大的部分进行信号的表示，比如

在对图一（a）进行小波变换后，得到图一（c）：在其中我们丢掉了97.5%的系数，图一（b）是图片的小波系数。

非相干性：我们通常以下述公式衡量：

$\mu (\phi ,\psi )=\sqrt{n}\cdot max_{1\leq k,j\leq n} |<\varphi _{k},\psi _{j}>|$ ，它的取值范围在[1, $\sqrt{n}$ ]。

2. 欠采样和稀疏信号恢复：

恢复策略如下： $\underset{\tilde{x}\in R^{n}}{min} \left \| \tilde{x} \right \|_{\iota 1}$ subject to $y_{k}=<\varphi _{k},\psi \tilde{x}> , \forall k\in M$ .

3. 鲁棒压缩采样：即在含噪声的情况对信号做欠采样的准确恢复。

介绍RIP： $\left ( 1-\delta _{s} \right )\left \| x \right \|_{\iota _{2}}^{2}\leq\left \| Ax \right \|_{\iota _{2}}^{2} \leq \left ( 1+\delta _{s} \right )\left \| x \right \|_{\iota _{2}}^{2}$ 。

鲁棒性下的信号恢复策略即为： $min \left \| \tilde{x} \right \|_{\iota _{1}}$ subject to $\left \| A\tilde{x}-y \right \|\iota _{2}\leq \epsilon$ 。通常这也被称作LASSO问题。

4. 本文介绍的随机感知方式有以下几种：

在 $R_{m}$ 的单位球面上，随机均匀地采样n个列向量构成感知矩阵A。
从均值为0，方差为1/m的正太分布中抽取服从iid分布的项构成A。
对一个随机投影P进行采样并进行归一化，A= $\sqrt{n/m}\cdot p$ 。
从对称伯努利分布或其他亚高斯分布中IID地抽取来形成A。

最后两部分总结说明什么是cs以及cs的应用。

参考文献：Candes E J , Wakin M B . An Introduction To Compressive Sampling[J]. IEEE Signal Processing Magazine, 2008, 25(2):21-30.

空城--

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
An Introduction To Compressive Sampling：读后小记

文章名：《An Introduction To Compressive Sampling》作者：Emmanuel J.Candes and Michael B.Wakin本文主要是对压缩感知原理以及应用的一个简单介绍。本文主要分为提出感知问题：只要满足一定稀疏性的信号在满足一定相干性的感知矩阵的测量下，可以通过linear programming 等方法重构信号。稀疏性：我们可以选一...
复制链接

扫一扫