压缩感知
压缩感知的基础理论,在信号采样中的实际应用
nwsuaf_huasir
“奥雷里亚诺,马孔多在下雨”,“别犯傻了,赫里内勒多,八月下雨很正常。”
展开
-
压缩感知简介
压缩感知(Compressive Sensing,CS),有时也叫成Compressive Sampling。相对于传统的奈奎斯特采样定理——要求采样频率必须是信号最高频率的两倍或两倍以上(这就要求信号是带限信号,通常在采样前使用低通滤波器使信号带限),压缩感知则利用数据的冗余特性,只采集少量的样本还原原始数据。因为自然界的数据都存在局部低维结构、周期性、对称性等,因此,传统的固定采样率的采样方法必然存在信息冗余。由于信息冗余的存在,我们就知道有数据压缩那么一门学科。既然这样,为什么要把冗余的数据也采进原创 2021-10-23 16:25:43 · 1112 阅读 · 0 评论 -
fri信号重构-sinc核滤波
记录一下学习FRI的过程,这是一个完整的FRI信号的生成,欠采样及信号重构的matlab代码。clc;clear all;close all;%% FRI信号-Dirac 脉冲信号的建模dt = 0.001; %T = 1; %仿真时间t = 0:dt:T; %时间向量L = 5; %单位时间内的脉冲个数,2*L即为新息率ak = [0.5 0.3 0.1 0.9 0.8]; %脉冲的幅值tk = [0.1 0.3 0.4 0.5 0.8];N = length(t);x = ze原创 2021-09-06 13:06:26 · 757 阅读 · 0 评论 -
压缩感知模型及稀疏信号的生成
压缩感知最经典的模型就是一个非线性逆问题: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。以下matlab代码用于生成上述模型:N = 1024;M = 512;K = 10;x = zeros(N,1);T = 5*randn(K,1);index_k = randperm(N);x(index_k(1:K)) = T;A = rand(M,N);A = sqrt(原创 2021-07-16 18:11:19 · 2518 阅读 · 5 评论 -
随机解调之低通滤波
随机解调在混频后,多频点信号被均匀的涂抹到整个频率轴,低通滤波将高频滤除,然后再均匀采样。%%-----------------------------------------------------------------------------%%生成m序列,绘制m序列的时域和频域图%%-------------------------------------------------clc;clear all;close all;%%-----------------------------原创 2020-10-11 15:49:08 · 1276 阅读 · 0 评论 -
随机解调-多频点信号与伪随机序列混频
随机解调的多频点信号x与伪随机序列经过混频后,被均匀的涂抹到了整个频率轴上,然后经低通滤波,低速均匀采样,最后通过OMP等算法恢复原始信号,整体上是压缩感知求解欠定方程y=Ax的思路。以下给出matlab程序和各个信号的时频域图,更容易理解。这里的x(n)包含了两个频率:3000Hz和4000Hz,伪随机序列由matlab内部函数randsrc()生成。首先是绘制频域稀疏信号x(n)与m序列的时域图和频域图clc;clear all;close all;%%------------...原创 2020-10-02 18:50:25 · 1593 阅读 · 0 评论 -
随机解调系统的伪随机序列m序列的产生及频谱图
这是我压缩感知分栏的第一篇文章,我将压缩感知、模拟信息转化领域中的一些概念、公式推导、程序写在博客里,一方面能够记录我的学习历程,另一方面可以分享给别人。随机解调是压缩感知理论的一种实际应用,它针对的是多频点信号,例如调幅信号AM,压缩感知系统中采用m序列来对点频信号进行频谱的搬移,m序列,即伪随机序列,它由随机的1、-1构成,伪随机序列的频谱杂乱无章且均匀分布在整个频率轴上,它与输入信号x(t)时域相乘,频域表现为卷积,进过卷积后,x(t)的频谱被均匀涂抹在了整个频率轴,这就给了我们低速采样后在低频段原创 2020-09-26 20:03:53 · 6036 阅读 · 0 评论