现代信号处理10_Sparse稀疏（CSDN_20240519）

稀疏问题的引出

       自然界的本质是稀疏的，例子：

1. 一幅图像的信息分布在整个图像中，经过变换（FFT，DCT，Wavelet等）后，图像能量集中在相对较小的区域中，其他区域的能量较低，可以忽略或进一步做其他处理。这说明决定图像的关键性因素在图像整体维度上只占了很小的一部分，所以它是稀疏的。
2. 人员分配：20%的人做了80%的工作，80%的人做剩下的20%的工作。

过去我们喜欢建一些模型把A 的维度处理的特别小，因为采样付出的代价特别大，为了不让采样数过大，不得已简化模型。这样的简化会损失一些信息，使得结果与实际情况产生一些差异。现在我们不想做这种简化了，导致A 的维度特别大，然而A 的有效信息并不多。通常情况下m不会很小，n就更大了，这就要求采样数也要足够大，但是这些样本中包含的信息有限。比如对于一副图像，它由CCD采集到，如果直接对CCD上的信息采样，似乎有些不划算，因为图像中包含的信息有限，对采样数据做处理后，我们只需要包含重要信息的一小部分，所以能不能考虑在采样的时候就只采一部分呢？这样做显然是不合的，因为我们不知道哪些样本里面包含着重要信息。

有了稀疏的概念以后，我们不希望在建模的时候过早地做出牺牲，可以让模型保持适当的维度。

RIP

对0-范数松弛，将其转化为1-范数，1-范数是凸的。

这样，问题就转化为

在一定条件下，0-范数和1-范数有某种等价关系，下面对其进行证明。

------------------------------------------------------------------------------------------------
因为文档中公式较多，不方便编辑，所以本文使用截图的方式展现。如需电子版文档，可以通过下面的链接进行下载。

链接http://generatelink.xam.ink/change/makeurl/changeurl/11778