压缩感知的学习

压缩感知（Compressed Sensing，CS）算法是一种用于采集和压缩数字信号的新兴技术并在许多应用中具有潜在的优势。CS的方法是利用特定域中信号的稀疏性来减少重构信号所需的样本的数量。一般来说，它所需的样本数量比多年来信号采集的基本原理：奈奎斯特采样定理所需的样本数量要少得多。奈奎斯特采样定理指出，当采样一个信号时，采样速率必须至少是该信号带宽的两倍，即奈奎斯特速率。所以传统信号处理方法常采用先采样、后压缩的方式，主要步骤是：首先，以奈奎斯特速率对信号进行采样，然后使用诸如小波或傅里叶变换的方法对采样的信号进行压缩，保留和量化有关系数并丢弃不必要的系数。然后，处理过的信号可以被存储或传输。随后被解压，原始信号就可以被近似地恢复。显然，如果被测量的信号具有非常宽的带宽，这就需要非常高的采样速率并会产生大量的数据。如果在压缩过程中，大量的信号元素被认为是不必要的并且被丢弃，那么这个采样过程就可以被认为是低效的，并且压缩过程也消耗了不必要的能量。这对能源严格限制的单兵系统中的生命状态监测系统是不友好的。

压缩感知允许在采样过程中对信号进行有效压缩，也就是采样和压缩同时进行，以此来大幅度降低不必要的功耗。为了实现上述益处，需要注意CS的两个基本概念：信号的稀疏性和测量矩阵的不相干性。至关重要的是CS所采样信号至少在一个域中获取的信号是稀疏的，即在某一域中（如频域），信号中的大部分元素是零或很小的值。许多真实世界中的信号符合上述要求，包括生命状态监测系统所要监测的士兵生理信号：脑电图（EEG），心电图（ECG），肌电图（EMG）等。如果信号满足稀疏性的要求，则可以通过相对较少采样压缩测量值来获得准确的重构信号。不相干性原理指出，用于获取压缩信号的测量矩阵必须与信号稀疏表示的字典不相干。一般来说，被测信号越稀疏，CS越多地利用信号特征，重构质量越好。

CS范例指出可以通过仅采集/传输代表X信号的M个样本来重构代表信号X的N个样本，其中M<<N。因此，信号采集/传输所需的开销大幅度减少了。其采集/压缩和重构流程如下：

1）采集/压缩：CS中采集/压缩过程包括由N个样本组成的数据X和由公式（1）中表示的M×N维大小的测量矩阵Φ。通常，矩阵Φ的分量已知是独立同分布的（i.i.d）。这些i.i.d元素通常从高斯分布或伯努利分布中选择，因此Φ可以被看作是随机矩阵。这个随机矩阵Φ被称为传感或测量矩阵。长度为M的数据Y是信号Χ的呈现。一般来说，这是CS采集/压缩阶段的唯一步骤

                                     （1）

2）重构：为了重构信号X，需要公式（2）中的向量α，其中α是在稀疏字典或稀疏矩阵Ψ中表示的稀疏信号。如果Χ在被采集的域中足够稀疏，那么Ψ就是简单的单位矩阵。注意，稀疏矩阵不一定是方阵，并且列Ρ的数量可以增加到N以上以创建过完备字典。

因此，重构的目的是从向量Y（长度为M）产生向量α（长度为P）的一个版本。等式定义如公式（3）所示：

求解α的方程是经典线性代数问题Ax=B的形式，其中x是未知的。由于方程组由M个方程中的N个未知数组成，所以它可以在计算复杂度高的系统上来求解或近似采集的原始稀疏信号。已经表明，如果信号在字典Ψ中是稀疏的，那么找到一组不定线性方程组来或精确求解的概率是很高的。

在进行压缩感知的信号采样压缩和重构时，常用的三个性能指标为：稀疏性、压缩比和百分比均方根差。

1）稀疏性：如果信号某一域中元素大多数是零或很小值，则信号在该域中是稀疏的。稀疏性的效果是这些零元素可以被有效地丢弃而不丢失相关的信号信息。如果一个稀疏信号包含S个非零项，那么该信号被认为是S稀疏的。对于长度为N的信号，这意味着可以在保持此信号重要信息的同时去除（N-S）个信号系数。在这种情况下，稀疏百分比定义为：

2）压缩比（CR）：所需代表信号Χ数据的样本的减少度量。在CS的情况下，它是原始和压缩信号向量长度之间的比率。如果N代表信号Χ的长度，M是传感矩阵的维数，也就是所需能精确重构信号Χ的测量次数M，则CR定义为：

3）百分比均方根差（PRD）：PRD是重构信号Χ’与原始信号Χ之间的失真或差异的量度：

4）峰值信噪比（PSNR）：表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值。由于许多信号都有非常宽的动态范围，峰值信噪比常用对数分贝单位来表示。其中，MSE为均方差。