相干性测度（Mutual Coherence）

相干性测度的详细解释

相干性测度（Mutual Coherence）是衡量一个矩阵的列向量之间相互依赖程度的一个指标。它在压缩感知（Compressed Sensing）和稀疏表示（Sparse Representation）等领域中非常重要。

相干性测度的定义

假设我们有一个矩阵$A\in {\mathbb{R}}^{m\times n}$，它的列向量用${\mathbf{a}}_1,{\mathbf{a}}_2,\dots ,{\mathbf{a}}_n$表示。相干性测度$\mu (A)$定义为：

$$\mu (A)=\underset{1\le i\ne j\le n}{\max }\frac{|{\mathbf{a}}_i^T{\mathbf{a}}_j|}{\Vert {\mathbf{a}}_i{\Vert }_2\Vert {\mathbf{a}}_j{\Vert }_2}$$

其中：

• ${\mathbf{a}}_i$和${\mathbf{a}}_j$分别是矩阵$A$的第$i$列和第$j$列向量。
• $\Vert {\mathbf{a}}_i{\Vert }_2$表示向量${\mathbf{a}}_i$的${\ell }_2$范数（即欧几里得范数）。
• ${\mathbf{a}}_i^T{\mathbf{a}}_j$表示向量${\mathbf{a}}_i$和${\mathbf{a}}_j$的内积。

相干性测度$\mu (A)$的值介于 0 和 1 之间：

• $\mu (A)$越小，表示矩阵$A$的列向量之间越独立，即相互正交的程度越高。
• $\mu (A)$越大，表示矩阵$A$的列向量之间越相关。

相干性测度的意义

1. 独立性和正交性：

   • 当矩阵$A$的列向量相互正交时，内积${\mathbf{a}}_i^T{\mathbf{a}}_j=0$，相干性测度$\mu (A)=0$。
   • 相干性测度较低意味着矩阵的列向量之间独立性较高，这对于稀疏表示和压缩感知等应用非常有利。

2. 稀疏表示：

   • 在稀疏表示问题中，我们希望信号可以用尽可能少的非零系数表示。较低的相干性测度有助于确保信号可以稀疏表示。
   • 当相干性测度较低时，矩阵列向量之间的相互影响较小，信号在表示时不会受到过多干扰。

3. 压缩感知：

   • 在压缩感知中，相干性测度用于评估测量矩阵的好坏。较低的相干性测度可以确保重建算法能够更好地重建原始信号。
   • 理论上，较低的相干性测度保证了压缩感知中少量测量即可准确重建稀疏信号。

相关定理

在压缩感知理论中，有一个重要的定理与相干性测度有关，即稀疏信号的重建条件：

• 定理：如果信号$x$是$k$-稀疏的，并且测量矩阵$A$的相干性测度$\mu (A)$满足：
  $$k<\frac{1}{2}\left(1+\frac{1}{\mu (A)}\right)$$
  则可以唯一地从$Ax$重建信号$x$。

这个定理表明了相干性测度在信号重建中的重要性。较低的相干性测度允许使用较少的测量来准确地重建稀疏信号。

在本文中的应用

在这篇论文中，作者通过相干性测度$\mu (A)$来评价傅里叶变换后的矩阵$A$中列向量的相关性。定理1中假设矩阵$A$的相干性测度$\mu (A)$是$\Omega (k/n)$，即相干性测度较低，这表明通过随机选择频率成分可以有效地保留主要信息。

综上，相干性测度在保证信号稀疏表示、减少信息冗余、提高重建精度方面具有重要意义。在本文中，通过合理选择频率成分并结合相干性测度理论，可以实现时间序列的高效紧凑表示，提高长时间序列预测的效率和效果。