压缩感知优化问题（下）

稀 疏 信 号 恢 复 问 题 可 以 表 述为：

：是待恢复稀疏信号； ：是观测信号。 ：是观测矩阵；

 ：是用 来计算ｘ中非零值的个数 。

可 以 解 释 为 寻 求线性系统 的 最稀 疏 解,通过观测矩 阵 将高维 的 稀 疏 信 号压 缩 为 低维 信 号，从而达到

降低恢复 信号 所 需 采样 率 的 目 的 。

在某些场景中信号ｘ本身并不是稀疏的,但在稀疏基矩阵,的辅助变换，ｚ是稀疏的矩阵

 范数的存在,这个问题是一个NP-hard问题,通常来说 需要遍历所有的稀疏情况才能得到最优解.

凸 优 化 算 法 是 通 过 将 非 凸 问 题 转 化 为 凸 问 题来 寻求 问 题 的 最 优 解 ， 其中 基追踪算法(BP)是 最 常 用 的 凸 优 化 算 法 。 BP 算法通过将NP-hard的   范 数 与 其 凸 松 弛 相 联系,将 范数替换为 范数问题 ，从而使用线性规划的方式来求解该问题:

即将目标函数中的，替换为单位球上的凸包络

毫 米波 信 道矩 阵 具 有低秩的 矩阵 特 性。

 矩阵的秩极小化问题是范数极小化问题的矩阵推广

其中 ，为线性映射。矩阵补全问题

是矩阵秩极小化问题的一个特例。是索引（i，j）的一个子集。

矩 阵 补 全 问 题 指 的 是 根 据 己 知 的一小部 分矩阵元素 如 何 完 整 地 恢 复 出 未知 矩 阵 Ｘ 中 缺 失 条 目 的 问 题。

 函数:通常来说是NP-hard的问题;用rank(X)的凸包络来代替它本身；

 核范数是在集合上的凸包络，用核范数作为的近似值，得到核范数的最小化问题：

 考虑噪声项：

 毫米波的虚拟信道增益矩阵中矩阵元素总个数为 p ,定义该矩阵中非零值的个数为L，定义接 收信号矩阵Y的秩为

在第 一 阶段首先利用毫米波信道的低秩性得到一 个估计的矩阵,在第二阶段将估计的作为己 知条件,结合毫米波信道的稀疏性得到最终的信道估计结果,信道估计问题转化为解决下列两个凸问题。

 将毫米波的信道估计描述为 如下带约束的凸优化问题：

 ，实际取值与该信道的信道路径数相关。

由于观测到的信道矩阵具有较大的维数，因此其产生了非常高的复杂度，这可能是禁止的并且难以在实际系统中实现。为了降低估计复杂度，子采样方法适于仅使用观察到的接收信号的一部分。我们采用随机采样通过合路器的信号，只输出部分观测信号的接收结构，Ω是由K个1组成的采样二进制矩阵，Ω表示Hadamard积。

在这里，我们提出了一种新的低秩信道近似算法，它考虑到毫米波信道的低秩和稀疏特性。核范数表示为矩阵奇异值之和，是矩阵秩函数的最紧凸下界。我们的目标是恢复接收信号矩阵和估计信道。核范数和1范数最小化问题可以公式化为：

其中核范数赋予其低秩性质，的1-范数赋予其稀疏结构。是Y的子采样矩阵，δ是可容忍误差。此外，τY和τz是通常取决于毫米波通信系统的传播路径的数量的加权因子。

ADMM Based Channel Estimation Algorithm

为了克服这个困难，我们引入两个辅助矩阵变量q和X，以以下等价形式重新表达（P1）的目标优化问题：

 增广拉格朗日函数