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:
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。
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: