压缩感知笔记

压缩感知笔记

CS理论认为,我们可以从比奈奎斯特采样所需的更少的样本中恢复某些信号。如果信号在原始域或变换域中是稀疏的(完全恢复)或可压缩的(近似恢复),我们可以用比奈奎斯特采样所需的更少的采样样本对其进行采样,并保持原信号的绝大部分信息。

**核心
**压缩感知(CS)主要利用测量矩阵和表示矩阵之间的非相干性(incoherence)。在CS框架下测量矩阵和表示矩阵之间的低相干性表示可以用更少的采样重建原始信号。

s-稀疏
如果一个信号只有s个非零系数,则称该信号为s-稀疏信号。如果大部分映射系数小到可以忽略不记,则称该信号是可压缩的(compressible)。

限制等距性(RIP)
被广泛用于评估压缩感知重建算法性能的工具。

随机测量
只要φ满足以下条件,就可以对任意基的s-稀疏信号进行随机测量:

                       	  m = s*log(n/s)

基追踪
根据现有文献,测量矩阵φ可以是高斯、伯努利、傅里叶或非相干测量矩阵。对于一类被称为基追踪的重构算法表明,大多数s稀疏信号都可以精确恢复,只要确保

		                      m >= 4*s

重建模型

在接收端采用一种非线性算法重建原始信号。这种非线性重建算法需要了解信号稀疏(精确恢复)或可压缩(近似恢复)的表示基(原始域或转换域),即最终目的是得到x,用已知的Ψ恢复出X。感兴趣信号为X,则可用表示基表示为:

							  Ψx = X

其中x是s-稀疏向量,表示X在Ψ上的投影稀疏。
因此测量向量Y可以写成x的形式:

							   Y = Θx

其中Θ = ΦΨ,是m×n维的重建矩阵。CS中的重构算法,尝试求解上式,并利用解是稀疏的这一事实,通常通过最小化解空间上的l0、l1或l2范数。根据经典的最小二乘解(l2范数的最小化),重建解可表示为:
在这里插入图片描述
类似地,通过使用l1最小化或BP,正如在CS文献中所知,通过线性规划解决一个简单的凸优化问题,信号可以从’ m '测量值精确恢复。一些重构技术是基于l0最小化的。

在这里插入图片描述
然而,由于现实世界中绝大多数信号都不是稀疏的,而是可压缩的,l2最小化通常不能给出较好的结果。另一方面,l0最小化则能给出较为准确地结果,但这是一个NP难题,因此很多文献采用l1最小化,因为它在很多情况下能给出与l0相同的结果。

虽然最小化的基本概念是所有求解框架的共同概念,但在求解范数最小化方程的方法中存在着变量。

重建算法

文献中存在许多有效的算法,它们不是同时找到“m”个最大的系数,而是尝试迭代地找到这些系数。为了对CS稀疏信号恢复的重构算法进行概述,这些算法大致可以分为六种,如下图:

在这里插入图片描述

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
压缩感知 (Compressed Sensing) 是一种信号处理技术,它可以通过采样信号的稀疏表示来降低传感器对信号的采样率。压缩感知可以应用于多目标向量 (MMV) 模型中。 多目标向量 (MMV) 模型是一种压缩感知模型,它用于处理同时存在多个目标信号的情况。在压缩感知 MMV 模型中,我们假设目标信号的稀疏表示是已知的,但目标信号本身是未知的。通过在传感器上进行稀疏测量,可以使用压缩感知算法从测量结果中恢复多个目标信号的稀疏表示。 引用提到的压缩感知追踪算法 (CoSaMP) 是一种常用的压缩感知算法,它可以有效地处理压缩感知 MMV 模型。该算法通过多次迭代,同时估计多个目标信号的稀疏表示和非零位置,从而实现对多个目标信号的恢复。引用中提到的基于贝叶斯压缩感知的高分辨率成像算法也可以应用于压缩感知 MMV 模型中,它利用目标信号的稀疏特性和相位误差模型,通过贝叶斯压缩感知理论实现对多个目标信号的高分辨率成像。 然而,压缩感知模型在处理宽带信号时可能会遇到基不匹配问题,即传统的离散频域压缩感知模型难以适应宽带频谱稀疏结构的动态变化。引用提到,在主用户通信行为未知且随时间变化的情况下,压缩频谱感知可能会降低对主用户信号频率估计的准确性。 因此,在压缩感知 MMV 模型中,需要考虑基不匹配问题和宽带频谱稀疏结构的动态变化。可以通过改进传统的压缩感知算法,如引用中提到的基于贝叶斯压缩感知的高分辨率成像算法,来解决这些问题,以实现对多个目标信号的准确恢复和估计。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [压缩感知重构算法综述-学习笔记](https://blog.csdn.net/qq_30507287/article/details/114626462)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [基于贝叶斯压缩感知的ISAR自聚焦成像](https://download.csdn.net/download/weixin_38543460/15843916)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [基于原子范数的宽带压缩频谱感知研究_硕士论文_许康](https://download.csdn.net/download/hanzhenru/12261097)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值