压缩感知中常用的待还原信号种类

研究压缩感知的一个基本工作就是生成原始的信号,也就是y=Ax中的x。一般来说,x是一个长度为N的列向量,稀疏度为k,其中x的非零位置组成的集合称作支撑集T。
x中的非零元素集合一般独立同分布四种随机分布。
1、Uniform,开区间(0,1)上的均匀分布。
2、Signs,伯努利分布,待选集合为{-1,1},等概率选取。
3、Gaussian,标准正态分布N(0,1)
4、Power,能量法则,1/j,j=1,...,k的某个排列组合。
基于这些生成的向量,我们就可以进一步做算法研究了,比如算法重构性能的研究。
下边附上相关的Matlab程序,它摘自斯坦福大学的一个开源包,http://sparselab.stanford.edu/
路径为SparseLab2.1-Core\Utilities\ SparseVector.m
可能是因为Matlab版本的问题,我用的是8.0.0.783 (R2012b),程序有一点错误,我已经做了修改,可以参考代码中的中文注释。

附:Matlab程序——SparseVector.m
function x = SparseVector(n, k, ensemble, perm)
% SparseVector: Generates a sparse vector with a specified distribution.
%
% Usage:
% x = SparseVector(n, k, ensemble, perm)
% Inputs:
% n vector length
% k number of nonzero entries
% ensemble string containing name of coefficient distribution
% 'Uniform', 'Gaussian', 'Signs', 'Power'. 
% Default is 'Uniform'.
% perm If =1, the nonzero indices are randomly selected. 
% Otherwise, the nonzero entries are in indices 1..k (default).
% Outputs:
% x Sparse n vector.
% Description:
% This function creates a vector of length n with k nonzero entries, 
% distributed according to the specified input ensemble. 
% The following distributions are supported:
%
% 'Uniform' - Entries are distributed uniformly on the unit interval. 
%
% 'Gaussian' - Entries are distributed N(0,1).
%
% 'Signs' - Entries are distributed Bernoulli over the set {-1,1}, 
% with equal probabilities. 
%
% 'Power' - Entries follow the power law 1/j, j = 1..k
%
% See Also
% MatrixEnsemble

if nargin < 4,
    perm = 0;
end
if nargin < 3,
    ensemble = 'Uniform';
end

switch upper(ensemble)
    case 'UNIFORM'
        x = [rand(k,1); zeros(n-k,1)];
        
    case 'SIGNS'
        x = sign(rand(k,1) - 0.5);
        zz = find(x == 0);
        Phi(zz) = ones(size(zz));
        x = [x; zeros(n-k,1)];
        
    case 'GAUSSIAN'
        x = [randn(k,1); zeros(n-k,1)];

    case 'POWER'
        %这里被我修改了,之前是x = [1./[1:k]; zeros(n-k,1)];
        %程序是有问题的,需要转置
        x = [(1./[1:k])'; zeros(n-k,1)];
end 

if perm
    p = randperm(n);
    x = x(p);
end
    
%
% Copyright (c) 2006. David Donoho
% 

%
% Part of SparseLab Version:100
% Created Tuesday March 28, 2006
% This is Copyrighted Material
% For Copying permissions see COPYING.m
% Comments? e-mail sparselab@stanford.edu
%

运行示例:


接下文《压缩感知中常用的观测矩阵》 http://blog.csdn.net/zhyoulun/article/details/25604293
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值