前言
近期在读一篇论文《Deep Learning-based CSI Feedback Approach for Time-varying Massive MIMO Channels》中提到了compressive sensing(CS) 又称 compressived sensing,通过CS的方法来获取MIMO信道中的CSI,笔者是个小白,在此通过汇总文章的形式将CS的知识做一下介绍,期望能够和大家共同探讨。
背景
数字化时代,我们对照片像素要求越来越高、视频要求越来越清晰、等等。我们的信号采集设备如照相机、摄像机等纷纷表示亚历山大啊!CS的起源当然不是cross fire,是一个叫陶哲轩和几位外国名字的大牛搞出来的。基本思想呢可以看一下这个例子。比如MRI,数码相机。数码相机镜头收集了大量的数据,然后再压缩,压缩时丢弃掉90%的数据。假如有CS,如果你的照相机收集了如此多的数据只是为了随后的删除,那么为什么不一开始就丢弃那90%的数据,直接去除冗余信息不仅可以节省电池电量,还能节省空间。
信号采集过程数据冗余
传统的数字信号采集
传统的数字信号采集方式是我们经常听见的香农(又香又浓<.<)采样定理:
为了不失真的恢复模拟信号,采样频率应该不小于采样信号中最高频率的两倍。基于香农定理我们看看传统图像采集信号设备的采样过程:
- 1、按照Nyquist采样率进行均匀采样,得到可以无失真恢复模拟信号的数字信号;uniformly sample data at Nyquist rate (2x Fourier bandwidth)
- 2、上述步骤得到的数字信号的数据量比较大,一方面不利于存储和传输,另一方面该数字信号本来存在很多冗余,可以对其进一步的压缩,于是就通过各种编码方法对数据进行有效的压缩;compress data
- 我们来分析一下上面的采样过程有什么不妥的地方?相机的传感器通过将模拟信号(光)转换为数字信号(Nyquist定理采样),如N pixel的图像信号,之后又通过压缩编码算法将N pixel的图像信号转化为K个系数表示的数据,而K<<N,那么问题来了,为什么我们费了一番心思获得了N个采样值,却最后又通过复杂的编码算法将之压缩成K个数值?基于这个疑问,我们引出了压缩感知的概念。
原理
感知压缩是直接获取压缩后的数据,即在采样时直接采集有效的M个测量值,而非满足Nyquist采样原理的N个采样值(M<<N)。
采集过程
当信号是稀疏的可压缩的,我们可以已某个线性投影的方式来得到信号的压缩表示condensed representation,采集得到的数据能够以无失真或者较低失真的的方式重建原始的数字信号。
y = Φ(x)
Y就是压缩后的信号表示;
Φ表示采集的测量矩阵,可以是一个随机矩阵;
X代表原始的数字信号;
采集过程就是一个线性投影过程,如上面的公式所示;
下图形象地描述了这个过程,Φ的每一行代表一次测量,M行则可以得到M个测量值。
压缩感知的采集过程如下:
接下来,我们来分析一下,为什么这样的一种采集方式是有效的?随机投影矩阵Φ并不是满秩的(M<N),因此公式
y = Φ(x)
的左边两边并不是等价的过程,即已知y,不能直接求得x,可以说是存在信息损失的。但是,随机投影矩阵在很大概率上保留了稀疏信号的结构和信息,即得到测量值y之后,我们可以以很大的概率来完美重建信号。
压缩感知理论公式:
了解了压缩感知的大致框架之后,我们从数学角度来考虑压缩感知这个问题。
y = Φ(x)
从上面这个采集公式可以得出压缩感知的三个必要条件:
- x:信号,满足稀疏性(在某个变换域内是稀疏的)
- Φ:测量矩阵,满足一定的不相关性
- 已知y,如何得到x:恢复算法(最优化方法,后续介绍)
- x信号
- 测量:
- 本文大多引自浅谈压缩感知(一):背景简介,发现该博主有大量的压缩感知的相关博文大家看详细的更多的相关知识可点击他的文章链接去他的主页
- Eufisky
初识压缩感知Compressive Sensing