压缩感知常用的重建算法

重建算法的基本概念

在压缩感知（Compressed Sensing, CS）框架中，重建算法是指将从原始信号中以低于奈奎斯特率采集得到的压缩测量值恢复成完整信号的数学和计算过程。由于信号在采集过程中被压缩，因此重建算法的目标是找到最符合测量值的稀疏信号表示。

重建算法的作用

重建算法的核心任务是解决一个逆问题：在知道部分信息的情况下（即压缩感知测量值），如何恢复出完整的信号信息。这个问题往往是不适定的，因为可能存在多个信号与同一组测量值相对应。因此，重建算法需要依赖于信号的稀疏性属性来实现唯一或近似唯一的解。

重建算法的使用形式

重建算法通常需要针对待解决的优化问题进行设计，这个问题一般形式化为一个最小化问题，其中包含一个代表测量误差的范数项和一个代表稀疏性的范数项。其中，l0范数是衡量向量中非零元素个数的范数，它能够精确描述稀疏性，但相关优化问题通常是NP难的；l1范数是向量元素绝对值之和，它是l0范数的最佳凸近似，可以通过凸优化方法求解。

常见的重建算法

1. 基追踪（Basis Pursuit, BP）