压缩感知简单介绍

---

前言

刚接触压缩感知时，面对其概念十分模糊，但是又十分欣赏其作用。在不懈的学习下，算是对压缩感知有了一定的了解啦，在这里将基础知识分享出来，帮助大家一切学习压缩感知~

---

一、压缩感知是什么？

  压缩感知（Compressed Sensing，CS）是由陶哲轩等人提出的一种用于信息获取的突破性理论。该理论指出：对于稀疏信号或可压缩信号，可采用低于奈奎斯特采样频率的方式对数据采样，降低数据传输量，并能以高概率精确地重建该信号。（毕业论文中的一句话）
此处想要溯源的，可以参考以下文献：

D. L. Donoh, Compressed sensing, IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

二、压缩感知介绍

1、压缩感知的流程

压缩感知主要分为三步：
  1、信号的稀疏化表示，实现信号的压缩；
  2、观测矩阵的设计，得到观测数值；
  3、信号的重构，得到恢复信号。

2、信号稀疏化表示

  稀疏信号定义：设一维离散信号$x$，长度为$N$，可看作为$N$维空间$N\times 1$的列向量，若此列向量中含有$K$个不为0元素，且$K<<N$，则称该信号$x$是$K$-稀疏信号，具有稀疏性。$K$称为信号$x$的稀疏度。牢记，信号具有稀疏性（在本域或其他变换域皆可）是可以使用压缩感知的前提！
  如果信号稀疏，则信号$x$可以表示为：
$$x={\sum }_{k=1}^N{\psi }_k{s}_k=\Psi s$$
其中，$s$为稀疏系数，也是我们使用算法恢复出来的重建新号，其尺寸与信号$x$相同；$\Psi$是我们所熟知的稀疏矩阵，其尺寸为$N\times N$，这就是信号的稀疏过程。

3、观测矩阵设计

  观测矩阵的作用主要是使人们可以看到由仪器所获得的观测值$y$，其中，你想要看到多少，这就是我们所熟知的采样率了。对观测矩阵的要求是，可从观测值$y$中高精度的重构出长度为$N$的原始信号$s$，或者重构出在稀疏矩阵下的等价信号。其具体表达式为：
$$y=\Phi x$$式中，$\Phi$为观测矩阵（也称测量矩阵），其维度为$M\times N$;$x$为原始信号，其维度为$N\times 1$;$y$为观测信号，其维度为$M\times 1$。将这个式子带入2节中的式子，则可以得到大家经常看到的式子了：
$$y=\Phi x=\Phi \Psi s=\Theta s$$其中，$\Theta =\Phi \Psi$为$M\times N$阶矩阵，又称为传感矩阵。
  在此步中，最重要的是构造出合适的观测矩阵，使得可通过仪器采集到从稀疏信号中获得的观测值，并在反向求解时，由观测值重构稀疏信号，即构造出有解的M×K线性方程组。牢记，在进行上述过程时，一定要对观测矩阵进行RIP性质分析，说白了就是观测矩阵和稀疏矩阵的相关性很小很小很小！

4、信号重构

  信号重构是对$y=\Phi x=\Phi \Psi s=\Theta s$式求最优解，是压缩感知理论中的求解问题，如何得到最优解是研究的主要内容，也是最后一个关键的步骤。压缩感知目前的重构算法主要分为两类：贪婪算法与凸优化算法。其中贪婪算法主要是选择合适的列向量经过多次的逐步加和以实现信号的逼近，其中匹配追踪算法、正交匹配追踪等算法均属于贪婪算法；凸优化算法则是将范数的求解置于范数进行线性规划求解，此算法包括基追踪算法、梯度投影算法等。

---

总结

  这里给出大家一个我毕业论文中的流程图，帮助大家理解：

  最后总结一下：对信号进行压缩感知恢复重建时，信号要映射到稀疏域，即信号在一定的变换域中是稀疏的。在进行测量矩阵压缩采样时，测量矩阵需满足RIP条件，或者应满足观测矩阵与稀疏基不相关的条件。在两个条件的基础上，可运用压缩感知算法进行恢复重建。 掌握了压缩感知的基本知识，那就赶紧用起来吧~