浅谈稀疏性与压缩感知（三）

前言

前面两部分对稀疏性和压缩感知的简单理论进行了说明，同时对涉及的一些统计相关的给出了例，这一部分打算对稀疏性和压缩感知的发展历程杂谈，作为刚入门的学生，大部分都是查阅文献而来，我也会在结尾给出，在搜集时我也发现众多的工程应用和算法更新其中最底层的理论并没有改变。

发展历程和理论总结

压缩感知(compressed sensing)是近十几年发展起来的可避免上述高采样率问题的方法，其理论在2006年由Cohen和Donoho提出，倘若给定信号(包含图像或者声音以及其他类别的各种信号)满足某种特定的稀疏性，那么通过这些少数的测量数据，将会有可能还原出原始的较大的信号。倘若给定信号(包含图像或者声音以及其他类别的各种信号)满足某种特定的稀疏性，那么通过这些少数的测量数据，将会有可能还原出原始的较大的信号。
压缩感知理论框架主要包括：观测矩阵的测量、信号的稀疏变换和信号重构算法。压缩感知理论利用一个不相关的观测矩阵，采用投影的手段，将一个具有稀疏先验的高维信号映射到低维空间，紧接着，通过对优化问题的求解，我们就能高概率的从少许投影中精确地重构出原始信号，这里的稀疏先验信号是指信号是可以压缩的或者在某个变换域上的是稀疏的。
观测矩阵的测量的主要目的就是把高维稀疏信号投影到低维空间上，第一部分所提到的受限等距性质或者称为有限等距准则，它是是根据帕塞瓦尔定理要求线性测量具有稳定的能量性质，要求被观测矩阵所选取的M列向量必须具有是非奇异的性质，换句话说，必须满足两个相异的K项稀疏信号不会被观测矩阵投影到同一个集合这个条件，最终才能实现信号的精确重构。
Donoho在给出CS理论概念的同时，定性和定量的对观测矩阵做出三个条件限制：①根据观测矩阵中的列向量重新生成的子矩阵，其奇异值的最小值必须大于一个常数；②观测矩阵能说明某些不定噪声的统计独立性；③如果解满足了稀疏度这个条件，那么它同样也是满足了1-向量范数这条件的极小向量。
在压缩感知中，传感矩阵的几个属性被设计用来分析算法的恢复性能，例如，受限等距性质（RIP）、相互关联性和受限正交常数（ROC），定义如下：

作为将CS理论推向快速稳定化应用的关键之一，信号重构算法主要包含以下三类：单阶段的贪婪算法：匹配追踪算法(MP)、正交匹配追踪(OMP)、正则化匹配追踪(ROMP)等；
两阶段的回溯型贪婪算法：子空间追踪算法(SP)等；
稀疏度自适应贪婪算法：稀疏度自适应匹配追踪算法(SAMP)等；

总结

简单总结一下，这部分的内容感觉还是差点意思，原本够想的挺好，却发现没有想象的那么简单，说一下我查的一些文献吧：
本站压缩感知写的不错的一个，很详细
RIP的一个说明
还有三篇在WOS上搜到的，题目分别是：Algebraic compressed sensing、Theoretical analysis of GOMP based on RIP and ROC、无限维压缩感知理论的研究（最后一篇是知网上的）