压缩感知模型及稀疏信号的生成

nwsuaf_huasir

已于 2022-05-13 18:16:19 修改

阅读量2.5k

点赞数 1

分类专栏：压缩感知文章标签： python matlab 矩阵

于 2021-07-16 18:11:19 首次发布

本文链接：https://blog.csdn.net/wzz110011/article/details/118809636

版权

压缩感知专栏收录该内容

6 篇文章 10 订阅

订阅专栏

压缩感知最经典的模型就是一个非线性逆问题：

y = A x

其中y为观测值，A为观测矩阵，x为稀疏矢量。A的维度为M*N，M<N，y为M行列向量，x为N行列向量，所谓的逆问题是指，y和A为已知量，x为未知量，当A为方阵且满秩的时候，A逆乘x，但是A在这里并非方阵，由x到y的变化是不可逆的。

以下matlab代码用于生成上述模型：

%% 一维时域稀疏信号生成测试
%% Vsesion:1.0 Written by zhenhuaLiu@ 2021.11.17 HIT ATCI
clear
clc
N = 1024;
M = 512;
k = 10;%稀疏度为K
x_index = 1:1:1024;  
x = zeros(N, 1);
T = 5*randn(k, 1);%
index_k = randperm(N);
x(index_k(1:k)) = T;
A = randn(M, N);
A = sqrt(1/M)*A;
A = orth(A')';
y = A*x;
figure(1);
stem(x_index, x);
title('x');
figure(2);
stem(y);
title('y');

可以看到，x有1000多个点，但是只有只有若干个非零值，而y只有500个点，但是杂乱无章，几乎都是非零值，我们能够从少量的y中恢复出x值，就是所谓的“压缩”。

上述代码中，A矩阵为512*1024，它将一个1024行的向量x变为了512行的y向量，“压缩”即体现于此。

其中的几个函数：

1.randn()用于生成标准正态分布的随机数

2.randperm(N)将1~N的数字随机打散。

3.K为稀疏度，稀疏度指的是非零值的个数

4.orth()函数用于正交化，由于A矩阵是一个胖矩阵，因此需要先转置之后再正交。

上面的代码只是生成了一个时域稀疏信号，在我们的信号处理中，我们遇到的往往是频域稀疏信号。下面给出频域稀疏信号的例子，该稀疏信号在频域只有4个非零值

此时，非线性逆问题的表达式可以表示为： $y=\Phi\Psi x=\Theta x$ ，代码如下：

%% 一维稀疏信号生成测试
%% Vsesion:1.0 Written by zhenhuaLiu@ 2021.11.15 HIT ATCI
clear
clc
N = 1000;
M = 500;
k = 4;%稀疏度
fs = 1000;
t = 0: 1/fs: (1 - 1/fs);
x_index = 1:1:1000;  
x = sin(100*2*pi*t)+sin(200*2*pi*t);%两个频率，4个频点，包含了负频率，因此稀疏度为4
plot(t, x);
psi = dftWnkGenerate(N);
phi = randn(M, N);
theta = phi*psi;
A = theta;%感知矩阵由随机矩阵和傅里叶系数矩阵相乘得到
y = phi*x';

dftWnkGenerate函数代码如下：

function [WNnk] = dftWnkGenerate(N)

 
n = [0:1:N-1]; % row vector for n
k = [0:1:N-1]; % row vector for k
WN = exp(-1i*2*pi/N);%matlab提示要增强稳定性，使用li代替i
nk = n'*k;
WNnk = WN .^ nk;   %DFT matrix