压缩感知的未来研究方向

p2范数优化问题

压缩感知理论在图像压缩编码等方面也应该有很广泛的前景, 但由于信号的恢复方法是建立在12范数意义下, 数据之间还有很大的冗余性没有去除, 相比传统的小波变换编码, 压缩感知理论应用于图像压缩的效果还不理想. p2范数的优化是提高基于压缩感知理论的压缩算法效果的必经之路. p2范数的优化方法是一个公开问题( open problem) , 对它的研究将推动压缩感知理论在压缩方面的应用, 具有很深远的意义. p2范数意义下的优化问题是一个凸函数优化问题, 目前已有一些成熟的算法, 但p2范数的优化是一个非凸函数的优化问题, 其中有很多数学问题有待解决. 有关p2范数非凸函数优化问题, 也有一些学者开展研究. 如RickChartrand[用典型的合成数据做了一些实验, 表明在一定的稀疏误差范围内, 可以得到最小值. 在文献[1]中,他进一步给出了变换基空间内的系数严格的等距条件(restricted isometry) , 由于有了严格的约束, 完全适合于大多数实际的信号. 笔者期望通过借用自然优化计算以及将p2范数非凸函数转换为近似凸函数优化等方法, 提出一种新的求解p2范数范数的优化问题, 以实现在p2范数意义下的压缩感知理论的信号恢复, 最大可能减少信号的冗余. 该思路正在研究之中.

 观测矩阵与恢复性能关系

前面提到, 观测矩阵与稀疏变换基的不相干特性是压缩感知理论具有良好性能的基础. 由于随机高斯分布的观测矩阵具有与其它固定基都不相关的特性而被广泛采用. 但在实际的应用中, 这种观测矩阵存在存储矩阵元素容量巨大、计算复杂度高的缺点 . 文献[2] 提出一种部分傅立叶变换采样的方法. 它首先对信号进行傅立叶变换再对变换系数进行随机抽取. 这种随机抽取使得各观测值具有随机不相关的特性. 由于变换时