压缩感知回顾与展望
压缩感知
压缩感知，又称压缩采样，压缩传感。
它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist 采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号[1]。
压缩感知理论一经提出，就引起学术界和工业界的广泛关注。
他在信息论、图像处理、地球科学、光学/微波成像、模式识别、无线通信、大气、地质等领域受到高度关注，[2]并被美国科技评论评为2007年度十大科技进展。
编辑本段基本知识现代信号处理的一个关键基础是Shannon 采样理论：一个信号可以无失真重建所要求的离散样本数由其带宽决定。
但是Shannon 采样定理是一个信号重建的充分非必要条件。
在过去的几年内，压缩感知作为一个新的采样理论，它可以在远小于Nyquist 采样率的条件下获取信号的离散样本，保证信号的无失真重建。
压缩感知理论一经提出，就引起学术界和工业的界的广泛关注。
[3]压缩感知理论的核心思想主要包括两点。
第一个是信号的稀疏结构。
传统的Shannon 信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。
但是，现实生活中很多广受关注的信号本身具有一些结构特点。
相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。
换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。
所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。
另外一点是不相关特性。
稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。
理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。
这些波形要求是与信号所在的稀疏空间不相关的。
压缩感知方法抛弃了当前信号采样中的冗余信息。
它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。
这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。
压缩感知综述_尹宏鹏
第28卷第10期V ol.28No.10控制与决策Control and Decision2013年10月Oct.2013压缩感知综述文章编号:1001-0920(2013)10-1441-05尹宏鹏a,刘兆栋a,柴毅a,b,焦绪国a(重庆大学a.自动化学院，b.输配电装备及系统安全与新技术国家重点实验室，重庆400044)摘要:压缩感知理论的诞生使得采样速率与信号的结构和内容相关,并以低于奈奎斯特采样定理要求的频率采样、编码和重构.在实际应用中,为解决数据冗余和资源浪费的瓶颈问题开拓了一条新道路,也为其他学科发展提供了新的契机.从发展历史和研究现状等方面入手,对稀疏表示、测量矩阵的构造、稀疏重构算法和主要应用方面进行了详细的梳理和研究.对当前研究的热点、难点作了分析和探讨,并指出了未来的发展方向和应用前景.关键词:压缩感知；稀疏表示；测量矩阵；稀疏重构算法中图分类号:TP13文献标志码:ASurvey of compressed sensingYIN Hong-peng a,LIU Zhao-dong a,CHAI Yi a,b,JIAO Xu-guo a(a.College of Automation，b.State Key Laboratory of Power Transmission Equipment and System Security and New Technology，Chongqing University，Chongqing400044，China．Correspondent：YIN Hong-peng，E-mail: yinhongpeng@)Abstract:The presence of compressed sensing theory makes the sample rate relate to the signal structure and content.The sample rate of compressed sensing for the signal sample,coding and reconstruction is less than the Nyquist theorem methods. Therefore,a method is proposed to solve the bottleneck problem of data redundancy and resource-wasting.Moreover,it offers new developing chances for other researchfields.The development and current situation of compressed sensing theory are involved.A detailed carding and research on the sparse representation,measurement matrix design,reconstruction algorithm and application aspects is discussed.Therefore,the current hot spots and difficulties are analyzed and discussed.Finally,the direction of future development and application prospect are discussed.Key words:compressed sensing；sparse representation；measurement matrix；reconstruction algorithm0引言信号处理中基本的原理依据是奈奎斯特采样定理,在信号采样时,只有满足大于信号最高频率两倍的频率进行信号采样,才能精确地重构原始信号.信号采样过程中产生大量的冗余数据,最终只有部分重要的信息被应用,造成了大量资源的浪费和在特殊环境中数据使用的限制.由此学者们提出,可否利用被采样数据精确地重构原始信号或图像,这部分重要数据是可以直接采集到的.最初,Mistretta等[1]提出:能否利用有限的采样数据使得原始信号或图像被精确或近似精确地重构,以缩减核磁共振成像的时间.Mistretta等依据此观念进行模拟实验,实验采用经典的图像重构算法.实验结构证明重构的图像边缘模糊,且分辨率低.之后, Candes等[2]利用有限的采样数据精确地重构了原始信号,但采用的是惩罚思想,实验结果证明,在图像的稀疏表示中,随机选取的稀疏系数只有不少于2K个(K是非零稀疏系数的个数),原始信号或图像才能被精确地重构,且具有惟一性的特点,由此诞生了压缩传感理论.针对可稀疏压缩信号,Donoho等[3-6]在稀疏分解和信号恢复等思想的基础上提出压缩感知(CS)理论框架,随后该理论迅速发展,为解决瓶颈问题提供了理论基础.在此基础上,Donoho[3]正式提出了“压缩传感”这一术语,此后文献[2-3,6-7]针对稀疏表示的稀疏性和不相干性、稳健的压缩采样、随机测量等方收稿日期:2012-10-16；修回日期:2013-01-25.基金项目:国家自然科学基金项目(61203321)；中国博士后基金项目(2012M521676)；中央高校基金科研业务费项目(106112013CD-JZR170005).作者简介:尹宏鹏(1981−),男,副教授,博士,从事压缩感知、计算机视觉等研究；刘兆栋(1985−),男,硕士生,从事压缩感知、计算机视觉的研究.DOI:10.13195/j.kzyjc.2013.10.0131442控制与决策第28卷面进行了许多研究,并将压缩感知作为测量技术应用于天文学、核磁共振、模式识别等领域,取得了良好的发展.压缩感知引起了国外众多学者和组织机构的关注,被美国科技评为2007年度十大科技进展之一,如Waheed等[8]提出了网络数据的压缩传感;西雅图Intel、贝尔实验室、Google等知名公司也开始研究压缩感知;莱斯大学提出了一种利用光域压缩的新颖的压缩图像照相机框架和新的数字图像/视频照相机以直接获取随机映射,并建立CS专业网站,涵盖了理论和应用的各个方面[9].在国内,近几年对CS理论和实际应用的研究也成为热门的研究方向.以压缩感知为检索主题词在国家自然科学基金网络信息系统(ISIS)[10]中查询近3年的项目资助情况,其资助力度呈逐年递增趋势(2010年资助39项,合计1627万元; 2011年资助54项,合计2691万元;2012年资助77项,合计4135万元).以上结果显示,对压缩感知的研究已经受到国家层面的大力重视,也吸引了越来越多的优秀学者参与.国内众多学者对压缩感知进行了深入研究,其中具有代表性的有:文献[11]针对压缩感知稀疏重建算法进行了研究;文献[12]详细探讨了压缩传感的理论框架及其关键技术问题;文献[13]深入研究了压缩感知的理论框架和基本思想,并讨论了未来的应用前景;文献[14]探索了在探地雷达三维成像中压缩感知理论的应用;文献[15]将压缩感知理论应用于无线传感网,并在分布式压缩传感理论基础上提出了一种数据抽样压缩和重构的方法;文献[16]将可压缩传感理论运用于实际传感器网络数据恢复问题.在各个领域,压缩传感虽然已经取得了显著的成果,但是国内外学者认为仍存在很多问题需要研究[12]:1)对于越来越完善的重构算法,如何使构造的确定性测量矩阵是最好的;2)如何探索稳定的重构算法,使得原始可压缩信号或图像被精确地重构,且所构造的重构算法要求计算复杂度低、对观测次数限制少;3)如何在冗余字典或非正交分解下找到一种快速有效的稀疏分解算法;4)如何运用压缩感知理论设计有效的软硬件解决大量的实际问题;5)针对p-范数的最优化求解问题,如何深入研究;6)如何在含噪信号的重构或采样过程中收入噪声后寻求最优的信号重构算法.此外,将压缩感知理论应用于其他领域,如医学信号检测、特征提取、故障诊断、图像融合等,也是众多学者研究的难点和热点.压缩感知理论是新颖的理论,是对经典信号处理领域的补充和完善,其研究成果显著影响了图像处理、数据融合等其他领域,然而专家学者认为还有许多问题有待研究.1压缩感知研究方向在信号处理过程中,抽样的目的是运用最少的抽样点数获得有效的信息.在设计抽样系统时,完整恢复信号所需的最少抽样点数是必须考虑的问题,经典奈奎斯特定理给出了关于带限信号的答案,而在经典理论的基础上提出的压缩传感理论,由于低于奈奎斯特采样定理要求的频率采样、编码和重构,适用于更广泛的信号类型.CS理论主要涉及信号的稀疏表示、稀疏测量和重构3个基本核心问题.1.1稀疏表示稀疏表示的基本思想是假设自然信号可以被压缩表示,从数学角度而言,是对多维数据进行线性分解的一种表示方法.稀疏表示具有两个特征:过完备性和稀疏性.字典的过完备性表示字典的行数大于列数,即信号的维数小于原子的个数.相比于正交变换基,构造的过完备字典含有的原子数目更多,能提供更稳定的稀疏表示.因此,稀疏表示(即构造具有稀疏表示能力的基或者设计过完备字典Ψ)的目的是希望信号非零元个数足够少,即令Ψ足够稀疏以确保信号或图像“少采样”.目前较流行的信号稀疏表示方法多数基于稀疏变换,对信号的Fourier变换、小波变换、Gabor变换等都具有一定的稀疏性.多尺度几何分析为一些特殊形态提供了最稀疏的表示,如Curvelet变换、Bandelet变换、Contourlet变换等.部分学者研究了在混合基下的信号稀疏表示,如文献[17]将其应用于形态成分分析,文献[11]应用于图像CS重构,文献[18]应用于MRI(magnetic resonance imaging)重构等,均取得了比单一稀疏表示下更好的效果.传统的信号分解方法都是将信号分解到一组完备的正交基上,有较大的局限性.在表达任意信号时,当选用某个特定函数作为基时,基函数便决定了信号的展开形式.伴随着信息技术不断发展,信号或图像处理的理论也日新月异,更有效的非正交分解方法也因此产生.非正交分解日益引起专家学者们的重视,给信号的稀疏分解指明了一个新方向.信号在冗余字典下的稀疏分解是稀疏表示的研究热点,而构造稀疏字典的研究热点是过完备字典.冗余字典设计或学习必须遵循的基本准则是:对于信号本身的各种固有特征,在构造字典的过程中各元素应尽可能匹配.在稀疏基或字典的构造过程中,选择合适的稀疏字典能够确保信号的表示系数足够稀疏,进而确保直接与非零系数相关的压缩测量数目足够少,同时能够高概率地重构信号或图像.第10期尹宏鹏等:压缩感知综述1443经过对国内外众多优秀学者的研究和理论进行梳理,常用的稀疏表示算法主要包括基追踪算法(BP)[19]、贪婪匹配追踪算法(MP)[20]、正交匹配追踪算法(OMP)[21]等.在稀疏分解算法研究中,大多数只从原子库构造或分解算法角度出发,然后对稀疏分解算法进行各种改进.未来利用原子库自身结构特性的稀疏分解算法是压缩感知理论研究的热点之一.从现有的文献来看,众多学者对稀疏表示的研究重点主要集中在两个方面:如何找到信号的最佳稀疏基和如何从这些基或字典中找到最佳的K项组合来逼近源信号;针对已有算法如何实现冗余字典的快速计算或者设计新的低复杂度的稀疏分解算法.1.2稀疏测量为了保证精确地重构原始信号,对信号的线性投影采用一个与稀疏变换矩阵不相关的测量矩阵,从而得到感知测量值,即所谓的稀疏测量.因此,稀疏测量主要集中在两个方面:如何构造随机测量矩阵使得测量值的数目尽可能的少和如何使构造的测量矩阵与系统不相关.从原理角度看,测量矩阵的选择需要满足非相干性和限制等容性(RIP)两个基本原则.文献[22]给出并证明了测量矩阵必须满足RIP条件;文献[23]给出了测量矩阵的一个等价条件是测量矩阵与稀疏基之间不相关,即若运用与稀疏变换基不相关的测量矩阵对信号压缩测量,则原始信号可以经过某种变换后稀疏表示.构造一个与稀疏矩阵不相关的M×N(M≪N)测量矩阵Φ对信号进行线性投影,获取感知测量值y=Φf,y是M×1矩阵,使测量对象从N维降为M维[22-23].稀疏测量过程是非自适应的,即测量矩阵Φ的选择不依赖于信号f.构造的测量矩阵要求信号从f转换为y的过程中获取的K个测量值能够保留原始信号的全部信息,以保证信号的精确重构.在测量矩阵的设计过程中,有y=Φf=ΦΨα=Aα,其中A需满足有限等距性质[22-23],即对于任意K值的稀疏信号f和常数δk∈(0,1),有1−δk⩽∥Af∥22∥f∥22⩽1+δk,(1)由此K个系数可根据M个感知测量值准确重构.依据测量矩阵的限制性条件,专家学者提出的随机性测量矩阵有随机高斯测量矩阵[2-4,7]、随机贝努力矩阵[2-4]、部分正交矩阵[2]、稀疏随机矩阵[24].当前,随机性测量矩阵的劣势是存在一定的不确定性,若要消除压缩测量的不确定性,则必须进行后续处理.此外,利用实际硬件生成随机测量矩阵也较为困难.针对随机测量矩阵的不确定性和不易用硬件实现两大缺点,学者展开了对确定性测量矩阵的研究.确定性测量矩阵有利于降低内存、设计快速的恢复算法,主要分为托普利兹和循环矩[25-29]、轮换矩阵[30-31]、哈达玛矩阵[4]、改进的轮换矩阵的构造[32]等.目前,一些学者提出了通过QR分解、正交变换改进的随机测量矩阵和改进非线性相关性的确定性测量矩阵的方法.通常,压缩测量过程中存在难以在硬件上实现和采样过程中数据多等难题,测量矩阵的构造还不够完善,因此,将压缩传感理论推向实际应用的关键是构造高效且在硬件上易于实现的测量矩阵.1.3信号重构信号重构算法是指运用压缩测量的低维数据精确地重构高维的原始信号或图像,即利用M维测量值重建N(M≪N)维信号的过程.重构是压缩感知研究中最为重要且关键的部分,在信号重构方面,最初研究的是对最小化l2范数约束求解的优化问题,获取的解通常是不稀疏的,于是转而对最小化l0范数和l1范数约束求解.目前,重构算法主要分为3类:1)基于l1范数的凸优化算法;2)基于l0范数的贪婪算法;3)组合算法.对于大规模的数据问题,重构速度有时候会很快,但是原始信号的采样要支持快速分组测试重建.凸松弛算法有基追踪算法[25]、梯度投影法[30]、凸集交替投影算法[5-6]和内点迭代法[31]等;贪婪算法有匹配追踪算法[20]、正交匹配追踪算法[33]、分段式正交匹配追踪算法[34]和一些改进算法等;组合算法有链式追踪算法[35]、HHS(heavy hitter on steroids)追踪算法[36]和I-wen算法[37]等.凸优化方法是基于l1范数最小进行求解的方法,相比于其他算法,重建效果较好.因其计算量大、时间复杂度高,在大规模信号处理中不便广泛应用.然而,近些年来,一些凸优化方法在重建稀疏信号方面获得了较快的重构速度,例如交替方向算法等[38].该算法不同于其他算法将凸优化问题视为一般的极小化问题而忽略了其可分离结构,在求解凸优化问题时将各变量分离求解,极大地提高了算法的速度.相对基于l1范数最小的凸优化算法模型而言,贪婪追踪算法计算速度很快,但精度稍差,然而也能满足实际应用的一般要求.因此,基于l0范数最小的贪婪追踪算法很实用,应用广泛.此类算法针对l0范数最小化问题求解,但是改进系列算法允许在重建过程中存在一定的误差.此外,迭代阈值法也得到了广泛的应用,此类算法也较易实现,计算量适中,在贪婪算法和凸优化算法中都有应用.但是,迭代阈值法对于迭代初值和阈值的选取均较为敏感,且不能保证求出的解是稀疏的.1444控制与决策第28卷Gilbert等[35-36]提出链追踪、HHS追踪等组合优化算法,采用结构式采样矩阵线性投影,利用群测试实现精确重构.此类算法运算速度高,但采样测量矩阵复杂,现实中难以推广应用.目前,重构算法可以精确地重构原始信号或图像,但这些稀疏重构算法都存在一些无法改善的缺点.此外,现有的算法对含有噪声信号或采样过程中收入噪声信号的重构效果较差,鲁棒性也较差,如何改善有待进一步研究.2压缩感知理论的应用压缩感知理论可以高效地采集稀疏信号的信息,通过非相关性感知测量值,此特性使得压缩传感广泛地应用于现实生活中.CS理论解决了信息采集和处理技术目前遇到的瓶颈,带来了革命性的突破,受到各国学者的广泛关注,从医学成像和信号编码到天文学和地球物理学均有所应用.其中代表性的有“单像素”压缩数码照相机[9]、MRI RF脉冲设备[39]、超谱成像仪[40]、DNA微阵列传感器[41]、MPST(multi-pixel but single time)相机[42]等.此外,压缩感知表现出强大的生命力,已发展形成了分布式CS理论、贝叶斯CS理论、无限维CS理论等,并得到广泛应用,如文献[43]利用分布式CS理论实现视频的压缩和联合重构;文献[44]利用贝叶斯CS理论改善了分布式认知网络中频谱感知的精度.目前,压缩感知理论在数据压缩、信道编码、数据获取等方面获得了广泛应用,然而其自身理论还不够完善,在应用方面也是新兴学科,未来的研究中尚有许多难点问题需要解决和突破.3结论压缩感知理论的应用已经引起众多学者的高度重视,其采样速率与信号的结构和内容相关,以低于奈奎斯特采样定理要求的频率采样、编码和重构.压缩感知理论在压缩成像系统、医学成像、信息转换、雷达成像、天文和通讯等[45]领域均获得了较好的应用.通过对国内外众多学者文献的梳理和研究,总结了压缩感知理论进一步的研究方向:1)算法层面.在非正交分解或适合某一类冗余字典中,探索更有效更快速的稀疏分解算法;在多信息、多误差、多故障融合的情况下,研究新的复杂度低、精确率高的重构算法,并在测量次数、重建误差和重建速度上达到最优的平衡.2)理论层面.在随机测量矩阵方面,提高列向量之间的非线性相关性和类似噪声的独立随机性,构造一个平稳观测矩阵寻求占用存储空间小、测量数和信号长度最优的确定性测量矩阵,并给出相应的理论条件验证方法.3)应用层面.针对现实生活中噪声等实际问题,探索基于压缩感知的软硬件设计;结合现有的贝叶斯、分布式等压缩感知理论的优点,进一步探讨压缩感知与其他领域的融合.参考文献(References)[1]Marple S L.Digital spectral analysis with applications[M].Englewood Cliffs:Prentice-Hall,1987:35-101.[2]Candès E J,Romberg J,Tao T.Robust uncertaintyprinciples:Exact signal reconstruction from highly incomplete frequency information[J].IEEE Trans on Information Theory,2006,52(2):489-509.[3]Donoho D pressed sensing[J].IEEE Trans onInformation Theory,2006,52(4):1289-1306.[4]Donoho D L,Tsaig Y.Extensions of compressedsensing[J].Signal Processing,2006,86(3):533-548. [5]Candès pressive sampling[C].Proc of the IntCongress of Mathematicians.Madrid,2006,3:1433-1452.[6]Candès E,Romberg J.Quantitative robust uncertaintyprinciples and optimally sparse decompositions[J].Foundations of Computational Mathematics,2006,6(2): 227-254.[7]Candès E,Romberg J,Tao T.Stable signal recovery fromincomplete and inaccurate measurements[J].Communications on Pure and Applied Mathematics,2006, 59(8):1207-1223.[8]Waheed Bajwa,Jarvis Haupt,Akbar pressivewireless sensing[C].Proc of the5th Int Conf on Information Processing in Sensor Networks.New York: Nashville,2006:134-142.[9]Duarte M F,Davenport M A,Takhar D,et al.Single-pixel imaging via compressive sampling[J].IEEE Signal Processing Magazine,2008,25(2):83-91.[10]国家自然科学基金网络信息系统(ISIS)[EB/OL].[2012-12-27]./portal/Proj-List.asp. [11]王艳,练秋生,李凯.基于联合正则化及压缩传感的MRI图像重构[J].光学技术,2010,36(3):350-355.(Wang Y,Lian Q S,Li K.Based on joint regularization and compressed sensing MRI image reconstruction[J].Beijing: Optical Technology,2010,36(3):350-355.)[12]石光明,刘丹华,高大化,等.压缩感知理论及其研究发展[J].电子学报,2009,37(5):1070-1081.(Shi G M,Liu D H,Gao D pressive sensing theory and its research and development[J].Beijing:Acta Electronica Sinica,2009,37(5):1070-1081.)[13]戴琼海,付长军,季向阳.压缩感知研究[J].计算机学报,2011,34(3)425-434.(Dai Q H,Fu C J,Ji X pressive sensing research[J].Chinese J of Computers,2011,34(3):425-434.)第10期尹宏鹏等:压缩感知综述1445[14]余慧敏,方广有.压缩感知理论在探地雷达三维成像中的应用[J].电子与信息学报,2010,1(32):12-16.(Yu H M,Fang G Y.The application of compressive sensing in the ground penetrating radar three dimensional imaging[J].J of Electronics and Information Technology, 2010,1(32):12-16.)[15]Du Bing,Liu Liang,Zhang Jun.Multisensor informationcompression and reconstruction[C].Proc of Society of Photo Optical Instrumentation Engineers,Multisensor, Multisource Information Fusion:Architectures, Algorithms and Applications.Orlando,2009,7345:1-11.[16]Guo Di,Qu Xiao-bo,Xiao parativeanalysis on transform and reconstruction of compressed sensing in sensor networks[C].World Resources Institute International Conf.Kunming,2009,1:441-445.[17]Starck J L,Elad M,Donoho D.Redundant multiscaletransforms and their application for morphological component analysis[J].Advances in Imaging and Electron Physics,2004,132(82):287-348.[18]Qu Xiao-bo,Guo Di,Ning Ben-de.Undersampled MRIreconstruction with the patch-based directional wavelets[J].Magnetic Resonance Imaging,2012,30(7):964-977. [19]Chen S S,Donoho D L,Saunders M A.Atomicdecomposition by basis pursuit[J].Society for Industrial and Applied Mathematics J of Scientific Computing,1999, 20(1):33-61.[20]Mallat S,Zhang Z.Matching pursuits with time frequencydictionaries[J].IEEE Trans on Signal Process,1993, 41(12):3397-3415.[21]Pati Y,Rezaiifar R,Krishnaprasad P.Orthogonal matchingpursuit:Recursive function approximation with applications to wavelet decomposition[C].IEEE Proc of the27th Annual Asilomar Conf on Signals,Systems and Computers.Los Alamitos,1993,1(11):40-44.[22]Candès E.The restricted isometry property and itsimplications for compressed sensing[J].Computers Rendus Mathematique,2008,346(9/10):589-592.[23]Richard Baraniuk,Mark Davenport,Ronald DeV ore,et al.A simple proof of the restricted isometry property forrandom matrices[J].Constructive Approximation,2008, 28(3):253-263.[24]方红,章权兵,韦穗.基于非常稀疏随机投影的图像重构方法[J].计算机工程与应用,2007,43(22):25-27.(Fang H,Zhang B Q,Wei S.Image reconstruction methods based on the very sparse random projection[J].Beijing: Computer Engineering and Applications,2007,43(22):25-27.)[25]Yin W T,Morgan S P,Yang J F,et al.Practicalcompressive sensing with toeplitz and circulant matrices[C].Proc of Visual Communications and Image Processing.Huangshan,2010,7744:1-10.[26]Bajwa W,Haupt J,Raz G,et al.Toeplitz structuredcompressed sensing matrices[C].Proc of the IEEE Workshop on Statistical Signal Processing.Washington, 2007:294-298.[27]Sebert F,Zou Y M,Ying L.Toeplitz block matrices incompressed sensing and their Applications in imaging[C].Proc of Int Conf on Technology and Applications in Biomedicine.Washington,2008:47-50.[28]Holger Rauhut.Circulant and toeplitz matrices incompressed sensing[C].Proc of Signal Processing with Adaptive Sparse Structured Representations.Saint Malo, 2009:1-6.[29]Berinde R,Piotr Indyk.Sparse recovery using sparserandom matrices[R].Cambridge:MIT’s Computer Science and Artificial Intelligence Laboratory,2008.[30]Lorne Applebaum,Stephen Howard,Stephen Searle,et al.Chirp sensing codes:Deterministic compressed sensing measurements for fast recovery[J].Applied and Computational Harmonic Analysis,2009,26(2):283-290.[31]Romberg pressive sensing by randomconvolution[J].Society for Industrial and Applied Mathematics(SIAM)J on Imaging Sciences,2009,2(4): 1098-1128.[32]付强,李琼.压缩感知中构造测量矩阵的研究[J].电脑与电信,2011,7(1):39-41.(Fu Q,Li Q.The research of constructing the measurement matrix in compressive sensing[J].Computer and Telecommunication,2011,7(1):39-41.)[33]Trop J A,Gilbert A C.Signal recovery from randommeasurements via orthogonal matching pursuit[J].IEEE Trans on Information Theory,2007,53(12):4655-4666.[34]Donoho D L,Tsaig Y,Drori I,et al.Sparse solution ofunderdetermined linear equations by stagewise orthogonal matching pursuit[R].Standford,2006.[35]Gilbert A,Strauss M,Tropp J,et al.Algorithmic lineardimension reduction in the norm for sparse vectors[C].Proc of the44th Annual Allerton Conf on Communication.Allerton,2006:9.[36]Gilbert A,Strauss M,Tropp J,et al.One sketch for all:Fast algorithms for compressed sensing[C]．Proc of39th Association for Computing Machinery(ACM)Symposium: Theory of Computing.San Diego,2007,7:237-246.(下转第1453页)第10期简惠云等:“报童问题”中风险偏好下的条件风险值及其优化1453for“company+farmer”contract-farming with CVaR criterion[J].Systems Engineering-Theory&Practice, 2011,31(3):450-460.)[8]马利军,李四杰,严厚民.具有风险厌恶零售商的供应链合作博弈分析[J].运筹与管理,2010,19(2):12-21.(Ma L J,Li S J,Yan H M.Channel bargaining with risk-averse retailer[J].Operations Research and Management Science,2010,19(2):12-21.)[9]Gan Xiang-hua,Suresh P Sethi,Yan Hou-min.Channelcoordination with a risk-neutral supplier and a downside-risk-averse retailer[J].Production and Operations Management,2005,14(1):80-89.[10]许明辉,于刚,张汉勤.带有缺货惩罚的报童模型中的CVaR研究[J].系统工程理论与实践,2006,26(10):1-8.(Xu M H,Yu G,Zhang H Q.CVaR in a newsvendor model with lost sale penalty cost[J].Systems Engineering -Theory&Practice,2006,26(10):1-8.)[11]Gotoh Jun-ya,Takano Yui-chi.Newsvendor solutions viaconditional value-at-risk minimization[J].European J ofOperational Research,2007,179(1):80-96.[12]Hsieh Chung-chi,Lu Yu-ting.Manufacturer’s returnpolicy in a two-stage supply chain with two risk-averse retailers and random demand[J].European J of Operational Research,2010,207(1):514-523.[13]Worner Jammernegg,Peter Kischka.Risk-arerse andrisk-taking newsvendor:A conditional expected value approach[J].Review of Managerial Science,2007,1(4): 93-110.[14]邱若臻,黄小原.基于条件风险值准则的供应链回购契约协调策略[J].运筹与管理,2011,20(4):10-16.(Qiu R Z,Huang X Y.The supply chain buyback contract coordination strategy based on conditional value-at-risk criterion[J].Operations Research and Management Science,2011,20(4):10-16.)[15]Tyrrell Rockafellar R,Stanislav Uryasev.Optimization ofconditional value-at-risk[J].J of risk,2000,2(3):21-42. [16]Tyrrell Rockafellar R,Stanislav Uryasev.Conditionalvalue-at-risk for general loss distributions[J].J of Banking &Finance,2002,26(7):1443-1471.(上接第1445页)[37]Iwen Mark.A deterministic sublinear time sparseforier algorithm via non-adaptive compressed seining methods[C].Proc of ACM-SIAM Symposium on Discrete Algorithms Society for Industrial and Applied Mathematics.Philadelphia,2008:20-29.[38]Yang J F,Zhang Y.Alternating direction algorithmsfor l1−problems in compressive sensing[J].Society for Industrial and Applied Mathematics(SIAM)J on Scientific Computing,2011,33(1):250-278.[39]Zelinski A C,Wald L L,Setsompop K.Sparsity-enforcedslice-selective MRI RF excitation pulse design[J].IEEE Trans on Medical Imaging,2008,27(9):1213-1229. [40]Willett R M,Gehm M E,Brady D J.Multiscalereconstruction for computational spectral imaging[C].Proc of Society of Photo-Optical Instrumentation Engineers (SPIE)and Electronic Imaging-computational Imaging.Bellingham,2007,6498:64980L.[41]Dai W,Sheikh M,Milenkovic O,et pressivesensing DNA microbarrays[J].EURASIP J on Bioinformatics and Systems Biology,2009,162824:12.[42]Zhang Y,Mei S,Chen Q,et al.A novel image/videocoding method based on compressed sensing theory[C].IEEE Int Conf on Acoustics,Speech and Signal Processing(ICASSP).Las Vegas,2008:1361-1364. [43]Prades-Nebot J,Ma Y,Htlang T.Distributed video codingusing compressive sampling[C].Proc of the27th Conf on Picture Coding SymPosium.Chicago,2009:165-168. [44]汪振兴,杨涛,胡波.基于互信息的分布式贝叶斯压缩感知[J].中国科学技术大学学报,2009,39(10):1045-1051.(Wang Z X,Yang T,Hu B.Bayesian compressive sensing based on mutual information[J].J of University of Science and Technology of China,2009,39(10):1045-1051.) [45]朱丰,张群.一种新的基于遗传算法的压缩感知重构方法及其在SAR高分辨距离像重构中的应用[J].控制与决策,2012,27(11):1669-1675.(Zhu F,Zhang Q.A novel compressive sensing reconstruction method based on genetic algorithm and its application in high resolution range of SAR image reconstruction[J].Control and Decision,2012,27(11): 1669-1675.)。
压缩感知
压缩感知压缩感知是近年来极为热门的研究前沿，在若干应用领域中都引起瞩目。
关于这个题目，松鼠会已经翻译了两篇文章，一篇来自于压缩感知技术最初的研究者陶哲轩（链接），一篇来自威斯康辛大学的数学家艾伦伯格（本文正文）。
这两篇文章都是普及性的，但是由于作者是专业的研究人员，所以事实上行文仍然偏于晦涩。
因此我不揣冒昧，在这里附上一个画蛇添足的导读，以帮助更多的读者更好了解这个新颖的研究领域在理论和实践上的意义。
压缩感知从字面上看起来，好像是数据压缩的意思，而实则出于完全不同的考虑。
经典的数据压缩技术，无论是音频压缩（例如mp3），图像压缩（例如jpeg），视频压缩（mpeg），还是一般的编码压缩（zip），都是从数据本身的特性出发，寻找并剔除数据中隐含的冗余度，从而达到压缩的目的。
这样的压缩有两个特点：第一、它是发生在数据已经被完整采集到之后；第二、它本身需要复杂的算法来完成。
相较而言，解码过程反而一般来说在计算上比较简单，以音频压缩为例，压制一个mp3 文件的计算量远大于播放（即解压缩）一个mp3 文件的计算量。
稍加思量就会发现，这种压缩和解压缩的不对称性正好同人们的需求是相反的。
在大多数情况下，采集并处理数据的设备，往往是廉价、省电、计算能力较低的便携设备，例如傻瓜相机、或者录音笔、或者遥控监视器等等。
而负责处理（即解压缩）信息的过程却反而往往在大型计算机上进行，它有更高的计算能力，也常常没有便携和省电的要求。
也就是说，我们是在用廉价节能的设备来处理复杂的计算任务，而用大型高效的设备处理相对简单的计算任务。
这一矛盾在某些情况下甚至会更为尖锐，例如在野外作业或者军事作业的场合，采集数据的设备往往曝露在自然环境之中，随时可能失去能源供给或者甚至部分丧失性能，在这种情况下，传统的数据采集-压缩-传输-解压缩的模式就基本上失效了。
压缩感知的概念就是为了解决这样的矛盾而产生的。
既然采集数据之后反正要压缩掉其中的冗余度，而这个压缩过程又相对来说比较困难，那么我们为什么不直接「采集」压缩后的数据？这样采集的任务要轻得多，而且还省去了压缩的麻烦。
分布式压缩感知理论研究综述及应用
分布式压缩感知理论研究综述及应用【摘要】分布式压缩感知是一种新兴的信号采样和重构技术，能够显著减少传感器网络中的数据通信量。
本文首先对分布式压缩感知理论进行概述，然后探讨了在图像处理、视频传输和无线传感器网络中的应用案例。
接着介绍了分布式压缩感知理论研究的最新进展，包括算法优化和理论探索。
在分析了分布式压缩感知理论的潜在应用，同时总结了当前研究的局限性和未来发展方向。
通过本文的研究，我们可以更好地了解分布式压缩感知技术在不同领域的应用前景，为相关领域的研究和应用提供重要参考。
【关键词】分布式压缩感知、理论研究、应用、图像处理、视频传输、无线传感器网络、进展、潜在应用、总结、展望1. 引言1.1 研究背景随着大数据和物联网技术的快速发展，传感器网络、图像处理和视频传输等领域数据的处理和传输需求不断增加。
传统的数据处理和传输方法往往会消耗大量的时间和资源，限制了数据的高效处理和传输。
分布式压缩感知理论应运而生，它能够较少地采样原始数据，同时具有较高的重建精度，可以有效地减少数据的处理和传输开销。
分布式压缩感知理论结合了信号处理和信息理论的相关理论，致力于在分布式系统中利用稀疏性和压缩感知技术来实现高效的数据处理和传输。
通过对信号进行低维度测量，再基于这些测量的信息来重建信号，从而实现数据的高效压缩和传输。
分布式压缩感知理论的提出极大地推动了数据处理和传输的效率，为大数据时代的数据处理和传输提供了新的解决方案。
在不同领域的应用中，分布式压缩感知理论都展现出了其独特的优势和潜力。
1.2 研究意义分布式压缩感知理论的研究意义在于为解决传统压缩技术在大数据处理中面临的困难和挑战提供了新的思路和方法。
传统压缩技术在处理大规模数据时存在计算复杂度高、通信开销大、存储需求大等问题，而分布式压缩感知理论正是针对这些问题提出的一种新型数据压缩方法。
通过在数据采集端对数据进行压缩处理，可以有效减少数据传输过程中的数据量，降低通信成本和存储需求，同时保持数据的重要信息，实现对数据的高效压缩和传输。
压缩感知介绍PPT-最终版
3
采样速率需达到信号带宽的两倍以上才能精确重构信号。这样的采样硬件成本昂贵，获取效率低下，对宽带信号处理的困难日益加剧。
1.1 传统采样理论介绍及问题提出
1 背景介绍
而现实生活中，随着信息技术的高速发展，信息量的需求增加，携带信息的信号所占带宽也越来越大
01
01
02
这就大大考验了数字化社会对信息处理的能力，包括：数据存储、传输和处理速度，基于Nyquist采样的理论遭到严峻的考验。
这是压缩感知理论的基础和前提，也是信号精确重构的保证。对稀疏表示研究的热点主要有两个方面： 1、基函数字典下的稀疏表示： 寻找一个正交基使得信号表示的稀疏系数尽可能的少。比较常用的稀疏基有：高斯矩阵、小波基、正（余）弦基、Curvelet基等。Candes和Tao经研究发现光滑信号的Fourier 系数、小波系数、有界变差函数的全变差范数、振荡信号的Gabor 系数及具有不连续边缘的图像信号的Curvelet 系数等都具有足够的稀疏性,可以通过压缩感知理论恢复信号。 2、超完备库下的稀疏表示： 用超完备的冗余函数库来取代基函数，称之为冗余字典，字典中的元素被称之为原子，目的是从冗余字典中找到具有最佳线性组合的K项原子来逼近表示一个信号，称作信号的稀疏逼近或高度非线性逼近。
背景介绍
01
传统采样理论介绍及问题提出
02
压缩感知理论的基本思想
03
传统的基于Nyquist采样定理指导下的信息的处理主要表现在两个方面：
1
2
在实际应用中，为了降低成本，人们常将采样的数据经压缩后以较少的比特数表示信号，而很多非重要的数据被抛弃，这种高速采样再压缩的方式浪费了大量的采样资源，另外一旦压缩数据中的某个或某几个丢失，可能将造成信号恢复的错误。
《大规模MIMO系统下基于压缩感知的DOA估计算法研究》范文
《大规模MIMO系统下基于压缩感知的DOA估计算法研究》篇一一、引言随着无线通信技术的飞速发展，大规模MIMO（Multiple Input Multiple Output）系统因其能显著提高系统容量和频谱效率而备受关注。
在MIMO系统中，波达方向（Direction of Arrival，DOA）估计是一项关键技术，它对于提高信号的接收质量和系统的性能至关重要。
传统的DOA估计算法在处理大规模MIMO系统时面临着计算复杂度高、估计精度低等问题。
近年来，压缩感知（Compressed Sensing）技术的出现为解决这一问题提供了新的思路。
本文将针对大规模MIMO系统下基于压缩感知的DOA估计算法进行深入研究。
二、大规模MIMO系统概述大规模MIMO系统是一种利用大量天线单元进行信号传输和接收的无线通信系统。
其核心思想是在基站端配置大量天线，通过多天线间的空间复用和信号处理技术，提高系统的频谱效率和容量。
然而，随着天线数量的增加，传统的DOA估计算法面临着计算复杂度高、估计精度低等问题，因此需要研究新的算法来满足大规模MIMO系统的需求。
三、压缩感知技术介绍压缩感知是一种新的信号处理技术，它利用信号的稀疏性或可压缩性，通过优化算法从少量随机投影中恢复原始信号。
在DOA估计中，压缩感知技术可以有效地降低计算复杂度，提高估计精度。
其基本原理是将DOA估计问题转化为稀疏信号重建问题，利用压缩感知算法从接收到的信号中恢复出目标的DOA信息。
四、基于压缩感知的DOA估计算法研究针对大规模MIMO系统下的DOA估计问题，本文提出了一种基于压缩感知的DOA估计算法。
该算法利用信号的稀疏性，通过优化算法从接收到的信号中恢复出目标的DOA信息。
具体而言，算法包括以下步骤：1. 信号模型建立：根据大规模MIMO系统的特点，建立信号的稀疏表示模型。
在该模型中，信号可以被表示为稀疏向量，其非零元素对应于目标的DOA信息。
压缩感知技术研究进展分析
压缩感知技术研究进展分析压缩感知技术是一种对信号进行高效压缩的方法。
它通过信号的稀疏表示，将信号从原始空间压缩到重建空间，从而使得信号的压缩和重建过程更加高效。
近年来，压缩感知技术在信号处理、图像处理、视频编码等领域得到了广泛应用。
本文将对压缩感知技术的研究进展进行分析。
首先，压缩感知技术的理论基础是稀疏表示。
信号的稀疏表示是指信号能够通过一个稀疏向量进行近似表示。
压缩感知技术通过选择合适的测量矩阵，可以将信号从高维空间压缩到低维空间，并且在低维空间中实现有效的重建。
近年来，研究者们提出了一系列针对不同信号的稀疏表示方法，包括基于小波变换、稀疏字典、稀疏分解等方法。
其次，压缩感知技术的研究围绕着信号的测量、稀疏表示和重建展开。
在信号的测量方面，研究者们提出了多种测量方法，如随机测量矩阵、固定测量矩阵和自适应测量矩阵等。
这些方法可以有效地选择信号的测量方式，从而减少测量的复杂度。
在信号的稀疏表示方面，研究者们提出了一系列稀疏表示方法，如基于小波变换的稀疏表示、稀疏字典学习和稀疏分解等方法。
这些方法可以更加准确地表示信号的稀疏性质，从而提高信号的压缩和重建效果。
在信号的重建方面，研究者们提出了延迟傅里叶、欧拉显著性测度和最大支持度等重建方法。
这些方法可以有效地从测量信号中重建出原始信号。
再次，压缩感知技术的应用非常广泛。
在信号处理领域，压缩感知技术可以应用于语音信号增强、声音分析和图像处理等任务。
在图像处理领域，压缩感知技术可以应用于图像压缩、图像恢复和图像去除噪声等任务。
在视频编码领域，压缩感知技术可以应用于视频压缩、视频传输和视频分析等任务。
此外，压缩感知技术还可以应用于无线传感器网络、医学影像处理和物联网等领域。
最后，压缩感知技术还存在一些挑战和问题。
首先，如何选择合适的测量矩阵是一个关键问题，不同的测量矩阵对信号的压缩和重建效果有着不同的影响。
其次，如何在实际应用场景中充分发挥压缩感知技术的优势也是一个重要问题。
基于压缩感知理论的重构算法
2023-11-11contents •压缩感知理论概述•基于压缩感知的重构算法基础•基于压缩感知的信号重构算法•基于压缩感知的图像重构算法•基于压缩感知的重构算法优化•基于压缩感知的重构算法展望目录01压缩感知理论概述在某个基或字典下，稀疏信号的表示只包含很少的非零元素。
稀疏信号通过测量矩阵将稀疏信号转换为测量值，然后利用优化算法重构出原始信号。
压缩感知压缩感知基本原理压缩感知理论提出。
2004年基于稀疏基的重构算法被提出。
2006年压缩感知技术被应用于图像处理和无线通信等领域。
2008年压缩感知在雷达成像和医学成像等领域取得重要突破。
2010年压缩感知发展历程压缩感知应用领域压缩感知可用于高分辨率雷达成像，提高雷达系统的性能和抗干扰能力。
雷达成像医学成像无线通信图像处理压缩感知可用于核磁共振成像、超声成像和光学成像等领域，提高成像速度和分辨率。
压缩感知可用于频谱感知和频谱管理，提高无线通信系统的频谱利用率和传输速率。
压缩感知可用于图像压缩和图像加密等领域，实现图像的高效存储和传输。
02基于压缩感知的重构算法基础重构算法的基本概念基于压缩感知的重构算法是一种利用稀疏性原理对信号进行重构的方法。
重构算法的主要目标是恢复原始信号，尽可能地保留原始信号的信息。
重构算法的性能受到多种因素的影响，如信号的稀疏性、观测矩阵的设计、噪声水平等。
重构算法的数学模型基于压缩感知的重构算法通常采用稀疏基变换方法，将信号投影到稀疏基上，得到稀疏表示系数。
通过求解一个优化问题，得到重构信号的估计值。
重构算法的数学模型包括观测模型和重构模型两个部分。
重构算法的性能评估重构算法的性能评估通常采用重构误差、重构时间和计算复杂度等指标进行衡量。
重构误差越小，说明重构算法越能准确地恢复原始信号。
重构时间越短，说明重构算法的效率越高。
计算复杂度越低，说明重构算法的运算速度越快。
03基于压缩感知的信号重构算法基于稀疏基的重构算法需要选择合适的稀疏基，使得信号能够稀疏表示，同时需要解决稀疏基选择不当可能导致的过拟合或欠拟合问题。
压缩感知理论及应用
x在
k N
时就称向量 是稀疏的。对应于公式(1)而言，若 是一个稀疏向量，则
称信号 x 可以在 域进行稀疏表示或 x 是可压缩的。
[1]R Baraniuk.A lecture on comperessive sensing[J].IEEE Signal Processing Magazine ,2007,24(4):118-121.
目前，CS理论与应用研究在不断进行：
在美国、欧洲等许多国家的知名大学如麻省理工学院、莱斯大学、斯坦 福大学、杜克大学等成立了专门课题组对CS进行研究;如莱斯大学建立的 专门的Compressive Sensing网站 /cs ，里面有关于该 理论大量资源和该方向的最新研究成果。
由正交基扩展到有多个正交基构成的正交基字典:即在某个正交基字典里， 自适应地寻找可以逼近某一种信号特征的最优正交基，根据不同的信号寻找 最适合信号特性的一个正交基，对信号进行变换以得到最稀疏的信号表示。
用超完备的冗余函数库取代基函数，称之为冗余字典：字典中的元素被称 为原子．字典的选择应尽可能好地符合被逼近信号的结构，其构成可以没有 任何限制．从冗余字典中找到具有最佳线性组合的K项原子来表示一个信号， 称作信号的稀疏逼近或高度非线性逼近。
于是可提出问题： 存不存在新的数据采集和处理的方法，使得在保证信 息不损失的况下，远低于奈奎斯特采样定理要求的速率采样信号，获取 少量的数据就可以重构信号？
近些年出现的一种新的理论——压缩感知（Compressed Sensing,CS） 表明这种实现是可能的。
压缩感知理论指出：如果信号是可压缩的或在某个变换域是稀疏的， 那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投 影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量 的投影中以高概率重构出原信号。
压缩感知技术综述
压缩感知技术综述摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。
多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。
压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。
本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及基于压缩感知SAR成像的仿真。
关键词：压缩感知；稀疏表示；观测矩阵；SAR成像；Abstract: Signal sampling is a necessary means of information world physical world to the digital simulation. Over the years, the base theory of signal sampling is the famous Nyquist sampling theorem, but a large amount of data generated by the waste of storage space. Compressed sensing and put forward a new kind of sampling theory, it can be much less than the Nyquist sampling signal sampling rate. This paper introduces the basic theory of compressed sensing, emphatically introduces the new progress in three aspects of signal sparse representation, design of measurement matrix and reconstruction algorithm, and introduces the application of compressed sensing and Simulation of SAR imaging based on Compressive Sensing Keywords: Compressed sensing; Sparse representation; The observation matrix; SAR imaging;0 引言Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。
压缩感知(Compressive Sensing)总结,毕设小节
压缩传感总结报告摘 要 随着信息技术的不断发展，人们对信息需求量越来越大，这给信号采样、传输和存储的实现带来的压力越来越大。
传统的采样方法容易造成信息的冗余，因此，人们寻求新的方法避免信息的冗余。
压缩传感的问世，打破了常规的信号处理的思路，它将压缩和采样合并进行，突破了香农采样定理的瓶颈。
本文主要围绕稀疏表示、编码测量、重构算法三个方面对压缩传感进行基本的介绍。
最后介绍了压缩传感的应用以及展望。
关键词 压缩传感，稀疏表示，编码测量，重构算法1 引言传统的信号获取和处理过程主要包括采样、压缩、传输和解压缩四个部分。
其采样过程必须满足香农采样定理, 即采样频率不能低于模拟信号频谱中最高频率的2倍。
在信号压缩中,先对信号进行某种变换,如离散余弦变换或小波变换, 然后对少数绝对值较大的系数进行压缩编码, 舍弃零或接近于零的系数。
通过对数据进行压缩,舍弃了采样获得的大部分数据, 但不影响“感知效果”[1]。
但是，信号压缩实际上是一种严重的资源浪费，因为大量的采样数据在压缩过程中被丢弃了，而它们对于信号来说是不重要的或者只是冗余信息。
从这个意义而言，可得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist 采样机制是冗余的或者说是非信息的。
如果信号本身是可压缩的, 那么是否可以直接获取其压缩表示(即压缩数据),从而略去对大量无用信息的采样呢？换句话说，是否存在一种基于信息的采样理论框架，使得采样过程既能保持信号信息，又能只需远少于Nyquist 采样定理所要求的采样数目就可精确或近似精确重建原始信号？Cand és 在2006年从数学上证明了可以从部分傅立叶变换系数精确重构原始信号, 为压缩传感奠定了理论基础。
Cand és 和Donoho 在相关研究基础上于2006年正式提出了压缩传感的概念。
其核心思想是将压缩与采样合并进行,首先采集信号的非自适应线性投影(测量值), 然后根据相应重构算法由测量值重构原始信号[7]。
压缩感知求解欠定方程
压缩感知求解欠定方程摘要：一、压缩感知技术简介二、欠定方程问题三、压缩感知求解欠定方程方法四、算法应用与性能分析五、结论与展望正文：压缩感知（Compressed Sensing，CS）技术是一种近年来快速发展的新型信号处理方法，它突破了传统的奈奎斯特采样定理限制，实现对稀疏信号的高效采集与重建。
在许多实际应用中，信号往往是欠定（underdetermined）的，即已知观测数据无法唯一确定原始信号。
本文将探讨如何利用压缩感知技术求解这类欠定方程问题。
一、压缩感知技术简介压缩感知是一种基于信号稀疏特性的采样与重建方法。
其基本思想是：首先将原始信号通过一个合适的变换矩阵，得到变换域中的系数；然后根据一定的准则，对这些系数进行压缩采样；最后利用重建算法从压缩采样数据中恢复出原始信号。
二、欠定方程问题欠定方程问题是指已知方程组中未知数的个数大于方程数的线性方程组问题。
在实际应用中，这类问题常见于图像、音频、视频等领域。
由于方程组欠定，直接求解往往面临病态问题，导致解的不稳定性。
三、压缩感知求解欠定方程方法针对欠定方程问题，压缩感知提供了一种新的求解思路。
在压缩感知框架下，将欠定方程问题转化为一个优化问题。
具体来说，假设原始信号为x，观测到的信号为y，变换矩阵为A，则求解过程可以表示为以下最小化问题：min_x ||y - Ax||_2^2其中，||·||_2表示L2范数。
通过求解该优化问题，可以得到原始信号的估计。
四、算法应用与性能分析压缩感知求解欠定方程方法在许多领域都有广泛应用，如图像重建、音频信号处理等。
与传统方法相比，压缩感知技术具有以下优势：1.采样率提高：压缩感知技术可以实现远低于奈奎斯特采样率的信号重建，有利于降低数据量。
2.抗噪声性能强：压缩感知方法在一定程度上了提高了信号的抗噪声能力。
3.高精度重建：通过优化算法，可以实现对原始信号的高精度重建。
五、结论与展望压缩感知技术在求解欠定方程问题方面具有显著优势，已成功应用于众多领域。
共轭梯度法求解压缩感知模型_概述及解释说明
共轭梯度法求解压缩感知模型概述及解释说明1. 引言1.1 概述压缩感知是一种新颖的信号处理理论，主要用于从极少量的测量中重建或恢复信号。
它通过对信号进行稀疏表达，利用压缩感知模型进行重建，能够有效降低数据采集和传输成本，并保持较高的重建准确度。
在压缩感知模型中，共轭梯度法被广泛应用于解决优化问题。
1.2 文章结构本文旨在介绍共轭梯度法在压缩感知模型中的应用及其实验结果分析。
文章将从以下几个方面展开：首先，我们将介绍压缩感知模型的基本原理以及其在信号处理领域中的意义；接着，我们将详细阐述共轭梯度法的数学原理和算法步骤；然后，我们将探讨共轭梯度法在压缩感知模型中的具体应用，并分析实验结果；最后，我们还将进一步探讨算法优化和改进方法，并对该模型的局限性进行总结，并展望未来研究方向。
1.3 目的本文旨在全面介绍共轭梯度法在压缩感知模型中的应用，通过对该方法的研究和实验分析，探讨其优势和局限性，并提出针对性的改进方法。
希望本文能够为压缩感知领域的研究者提供参考和启示，进一步推动该领域的发展。
2. 共轭梯度法求解压缩感知模型2.1 压缩感知模型介绍压缩感知是一种重要的信号采样和重构技术，在信号处理和图像处理领域有广泛的应用。
其核心思想是使用稀疏表示模型对信号进行重建，从而能够仅通过少量的观测样本来恢复原始信号。
2.2 共轭梯度法原理共轭梯度法是一种常用的优化算法，特别适用于求解对称正定线性方程组。
该方法基于最速下降法，但不同于最速下降法的是，它在每次迭代中选择共轭方向进行更新，以加快收敛速度。
具体而言，对于求解线性方程组Ax=b，共轭梯度法通过迭代产生一个序列{xn}，其中每个xn都可以表示为x0和一个共轭方向d0，d1...dk-1的线性组合：xn = x0 + Σai di在每次迭代中，共轭梯度法通过计算残差r = b - Axn和步长α来更新x：xk+1 = xk + αk dk为了得到αk和dk值，需要进行以下计算：•计算步长αk = (rkT * rk) / (dkT * A * dk)•更新残差rk+1 = rk - αk A * dk•计算βk = (rk+1T * rk+1) / (rkT * rk)•更新共轭方向dk+1 = rk+1 + βk*dk这样，通过迭代进行计算，可以逐步接近线性方程组的解。
压缩感知中RIP界的研究新进展
压缩感知中RIP界的研究新进展1. 引言1.1 1. 研究背景在压缩感知领域，RIP（Restricted Isometry Property）是一种重要的数学概念，它在高维数据压缩和重构中起着关键作用。
随着大数据时代的到来，传统的数据采集、传输和存储方式已经无法满足快速增长的数据需求。
在这种背景下，压缩感知技术逐渐受到研究者的关注，因为它能够在保证数据质量的同时显著减少数据量。
本文将介绍RIP的基本原理、RIP在压缩感知中的应用、RIP界的研究现状以及基于RIP的压缩感知算法和最新的研究进展，希望可以为读者提供对压缩感知技术与RIP界的深入了解，并激发更多关于压缩感知的研究和探索。
1.22. 研究目的研究目的部分的内容如下：研究目的是为了深入探讨压缩感知中RIP界的研究新进展，分析其在实际应用中的价值和挑战。
通过对RIP的基本原理和在压缩感知中的应用进行归纳总结，可以更清晰地了解其在信号采样和重建方面的作用。
对RIP界的研究现状和基于RIP的压缩感知算法进行剖析，可以帮助研究者更好地把握当前研究热点和发展趋势。
对RIP界的研究新进展进行深入分析，有助于揭示其在未来发展中的潜在应用和技术突破点。
最终，通过对整个研究领域的总结与展望，可以为未来的研究方向提供参考和指导，推动该领域的进一步发展和完善。
1.3 3. 文章结构文章结构主要包括引言、正文和结论三个部分。
在我们将介绍研究背景、研究目的和本文的结构安排。
接着，在正文部分中，我们将详细讨论RIP的基本原理、在压缩感知中的应用、RIP界的研究现状、基于RIP的压缩感知算法以及最新的研究进展。
在我们将对本文的内容进行总结，并展望未来可能的研究方向。
通过这样清晰的结构安排，读者可以更好地了解文章的内容和主要思路，有助于有效地传达研究成果和启发读者进一步研究。
2. 正文2.1 1. RIP的基本原理RIP是指稀疏重建中的正交匹配追踪(Orthogonal Matching Pursuit)算法。
压缩感知及其图像处理应用研究进展与展望
图像压缩感知原理
图像压缩感知基于一个原理：对于一个具有稀疏性的图像，可以通过少量的 线性测量获得其大致信息，然后在这些测量数据的基础上，通过重建算法恢复出 原始图像。这种方法的优势在于，它大大减少了存储和传输所需的资源。
重建算法研究
Байду номын сангаас
重建算法是图像压缩感知的关键部分。以下是一些主要的重建算法：
引言
压缩感知，也称为压缩采样或稀疏采样，是一种新型的信号处理技术。该技 术通过利用信号的稀疏性或可压缩性，在远低于Nyquist采样定理的要求下，实 现对信号的准确重构。本次演示将回顾压缩感知的发展历程、基本原理及其在各 个领域的应用情况，并展望未来的发展趋势和挑战。
压缩感知的回顾
压缩感知理论的发展可以追溯到2004年，由Candes、Romberg和Tao等人在 信号处理领域提出。压缩感知的基本原理是：对于一个可压缩的信号，可以在远 低于Nyquist采样频率的情况下进行测量，并通过优化算法重构出原始信号。
压缩感知算法的主要步骤包括稀疏基表示、测量和重构。首先，稀疏基表示 是选取一个适当的基函数集合，使得目标信号在这个基上具有稀疏表示。接着是 测量过程，通过线性投影将原始信号投影到低维空间，得到一组线性测量值。
最后是重构过程，通过优化算法求解一个约束优化问题，从这些线性测量值 中恢复出原始信号。
压缩感知算法具有广泛的应用价值。例如在医疗成像中，由于人体组织的复 杂性，直接进行高分辨率的全面扫描既不现实也不安全。压缩感知技术可以用于 实现低剂量、高分辨率的医学成像，提高诊断的准确性和病人的安全性。在音频 处理中，
2、实验室实践方面：将涌现更多具有创新性和实用性的实验方案，以解决 压缩感知在实际应用中遇到的问题。同时，将有更多的研究工作致力于提高压缩 感知技术的效率和拓展其应用领域。
压缩感知_研究现状概述
0
-0.5
-1
-1.5
0
50
100
150
200
250
300
2
1.5
1
0.5
0
-0.5
-1
-1.5
0
50
100
150
200
250
300
2 Recov ery Original 1.5
1
0.5
0
-0.5
-1
-1.5
0
50
100
150
200
250
300
23
Thank you!
24
6
概念及背景
7
概念及背景
compressive sensing实际上是对信号采集的颠覆性的理 论，打破了乃奎斯特采样(也称香农采样)。实际上，大部分 信号是稀疏的，没有必要用乃奎斯特采样进行时间离散化。 注意两点： （1）乃奎斯特采样对信号没有稀疏性的假设； （2）CS对信号有稀疏性假设，既s-稀疏； 压缩感知适合解决什么问题？ （1）信号是稀疏的 （2） sensor方计算代价较大，receiver方计算代价较小（ 即不适合将信息全部存储下来，而适合取少量信息，之后恢 复）
8
算法框架及具体内容
对于之前介绍过的编码表达式
其中， ， ，Φ是n×N 的矩阵。
我们先将解码，就是试图通过y 反求x0, 记为Δ。我们用 Δ(y) 表示反求结果. 一般而言, 若n < N, 则有无数个x ∈ 满足y = Φx. 因而, 只有借助信号稀疏性的特征, 我们才有 可能反求原始的信号x0. 那么, 给定一编码、解码对(Φ, Δ), 我们关心其性能, 即
概念及背景其中y概念及背景感知压缩难点在于压缩后的数据并不是压缩前的数据的一个子集并不是说本来有照相机的感光器上有一千万个像素扔掉其中八百万个剩下的两百万个采集到的就是压缩后的图像这样只能采集到不完整的一小块图像有些信息被永远的丢失了而且不可能被恢复
读焦李成压缩感知回顾与展望有感
读焦李成压缩感知回顾与展望有感随着移动设备、互联网和社交媒体的普及，大量的数字化数据被产生和传输。
这些数据源源不断地涌入现实世界中，构成了海量的数据，由此引发了许多数据压缩和传输的挑战。
因此，在数据节点和网络通信中利用压缩和重建技术，尤其是在传感器网络中，成为了一个重要的研究方向。
而焦李成压缩感知是其中的重要一环，在熟悉基础压缩方法的同时，需要学习焦李成压缩感知的方法论，从而更好地应用于实际项目。
本文对焦李成压缩感知的方法进行回顾，并探讨其未来发展的展望。
我们将首先介绍焦李成压缩感知的背景和概念，接着阐述其算法原理的基本框架，然后分析其应用现状和未来发展趋势。
最后，我们将谈谈对焦李成压缩感知的看法和建议。
一、背景和概念压缩感知是一种新型的数据采集和处理方法，旨在有效地提取具有高度相关性的重要信息。
当传感器网络的采样数据集非常庞大时，我们通常会面临数据密度低、采样时间长以及传输存储带宽不足的问题。
这些问题都会对传感器网络的性能产生一定的影响，使得数据采集和处理变得非常困难。
压缩感知可以通过充分利用信号的稀疏性，来实现对信号的有效压缩。
它不仅可以减少传输和存储负担，还可以提高数据质量和减少能量消耗。
焦李成压缩感知是基于上述背景和概念而发展起来的。
它基于的核心假设是，自然界中的信号都具有一定的稀疏性。
在这个假设的基础上，焦李成提出了一种有效地压缩感知算法，被称为二次采样和1-稀疏正交匹配追踪算法（二次1-OMP）。
该算法通过估计原始信号的稀疏度，减少了采样数据的维度，从而达到了压缩信号的效果。
与传统的压缩算法相比，焦李成压缩感知能够更好地捕捉信号的关键特征，提高数据的压缩速度和重构准确率。
二、算法原理和基本框架焦李成压缩感知是以1-稀疏正交匹配追踪（1-OMP）为核心思想的。
这种算法是一种新型的基于信号稀疏性的压缩感知算法，与较为流行的基于哈希或小波变换的压缩算法有所不同。
1-OMP 的基本思想是，在每轮迭代中，根据当前残差搜索原始信号中存在的稀疏分量，利用单个观测向量进行重建。
机器学习中的压缩感知技术
机器学习中的压缩感知技术机器学习技术在近年来的快速发展中扮演着重要的角色，而其中的压缩感知技术更是备受关注。
压缩感知技术是一种新的信号获取和处理方法，能够显著减少信号采样和传输所需的数据量，同时又能保持较高的重建质量。
本文将探讨机器学习中的压缩感知技术，介绍其原理和应用领域，并展望其未来的发展方向。
一、压缩感知技术的原理压缩感知技术的核心思想是在信号获取端减少采样率，但仍能准确地重建原信号。
传统的采样方法需要以高于信号带宽的采样率进行采样，然后通过信号处理算法进行恢复，而压缩感知技术可以使用远低于信号带宽的采样率来获取信号，并能够在不损失重要信息的情况下进行重建。
压缩感知技术的实现依赖于两个主要步骤：稀疏表示和压缩测量。
稀疏表示是指将信号表示为一个稀疏向量，即信号在某个基底下只有很少的非零元素，压缩测量是指通过对信号进行一组线性测量，得到一个测量向量。
二、压缩感知技术在图像处理中的应用压缩感知技术在图像处理领域有着广泛的应用。
传统的图像压缩算法通常会导致损失，而压缩感知技术可以在较低的采样率下实现无损图像压缩。
通过对图像进行稀疏表示和压缩测量，可以将图像压缩所需的数据量显著减少，并能够恢复出原始的高质量图像。
同时，压缩感知技术还可以在图像识别和图像重建等领域发挥作用。
例如，在医学图像识别中，通过对患者的图像进行压缩感知处理，可以减少医学图像传输和存储所需的空间和时间成本，同时保持图像的诊断质量。
三、压缩感知技术在语音处理中的应用除了图像处理，压缩感知技术在语音处理领域也有着广泛的应用。
语音信号通常具有较高的稀疏性，因此通过对语音信号进行压缩感知采样，可以显著减少采样率，并保持较低的失真率。
在语音识别任务中，压缩感知技术可以帮助提高识别准确率并降低计算成本。
通过将语音信号进行压缩感知采样，可以减少所需的计算量和存储空间，从而提高语音识别系统的效率。
四、压缩感知技术的发展趋势随着机器学习技术的不断发展，压缩感知技术也不断向前推进。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
万方数据万方数据万方数据万方数据万方数据万方数据万方数据万方数据万方数据万方数据万方数据万方数据压缩感知回顾与展望作者：焦李成， 杨淑媛， 刘芳， 侯彪， JIAO Li-cheng， YANG Shu-yuan， LIU Fang， HOU Biao作者单位：智能感知与图像理解教育部重点实验室,西安电子科技大学,陕西西安710071刊名：电子学报英文刊名：Acta Electronica Sinica年，卷(期)：2011,39(7)1.J Haupt;W U Bajwa;M Rabbat;R Nowak Compressed sensing for networked data[外文期刊] 2008(02)2.J L Paredes;G R Arce;Z M Wang Ultra-wideband compressed sensing:channel estimation 2007(03)3.W Dai;O Milenkovic Weighted superimposed codes and constrained integer compressed sensing 2009(05)4.G M Shi;J Lin;X Y Chen;F Qi D H Liu L Zhang UWB echo signal detection with ultra-low rate sampling based on compressed sensing[外文期刊] 2008(04)5.Y C Eldar Compressed sensing of analog signals in shift-invariant spaces[外文期刊] 2009(08)6.M Davies;R Gribonval Restricted isometry constant where lp sparse recovery can fail for 07 p7 = 1 2009(05)7.J Trzasko;A Manduca Relaxed conditions for sparse signal recovery with general concave priors[外文期刊] 2009(11)8.R Baraniuk;M Davenport;R DeVore;M Wakdn A simple proof of the restricted isometry property for random matrices[外文期刊] 2008(03)9.D L Donoho For most large undetermined systems of equations,the minimal (11)-norm near-solution approximates the Sparsest near-solution[外文期刊] 2006(07)10.E Candès;T Tao Decoding by linear programming[外文期刊] 2005(12)11.D L Donoho;M Elad Optimal sparse representation in general (nonorthogoinal) dictionaries via L1 minimization 2003(05)12.J A Tropp;M B Wakin;M F Duarte;D Baron,R G Baraniukr Random filters for compressive sampling and reconstruction 200613.T Ragheb;S Kirolos Implementation models for analogto-information conversion via random sampling 200714.S Wei Random Sampling Using Shannon Interpolation and Poisson Summation Formulae15.J M Duarte-Carvajalino;G Sapiro Learning to sense sparse signals:simultaneous sensing matrix and sparsifying dictionary optimization 2009(07)16.Q Zhang;B X Li Discriminative K-SVD for dictionary learning in face recogrition 201017.R Mazhar;P D Gader EK-SVD:Optimized dictionary design for sparse representations 200818.H Zayyani;M Babaie-Zadeh Thresholded smoothed-L0(SL0)dictionary learning for sparse representions 200919.K Skretting;K Engan Recursive least squares dictionary learning algorithrn[外文期刊] 2010(04)20.K Engan;K Skretting;J H H usoy A family of iterative LSbased dictionary learning algorithms,ILS-DLA,for sparse signal representation 200721.M Aharon;M Elad;A Bruckstein K-SVD:an algorithm for designing overcomplete dictionaries for sparse representation [外文期刊] 2006(11)22.M Elad;M Aharon Image denoising via sparse and redundant representations over learned dictionaries[外文期刊] 2006(12)23.K Engan;S O Aase;J Hakon Husoy Method of optimal directions for frame design,acoustics,speech,and signal processing 199924.R J Duffin;A C Schaeffer A class of non-harmonic Fourier series 195225.M Elad Sparse and Redundant Representations:From Theory to Applications in Signal and Image Processing 201026.张春梅;尹忠科;肖明霞基于冗余字典的信号超完备表示与稀疏分解[期刊论文]-科学通报 2006(06)27.E L Pennec;S Mallat Sparse geometrical image representation with bandelets 2005(41)28.Z B Xu;H Y Wang;X Y Chang L1/2 Regularizer 2009(01)29.E Candès;M B Wakin;S P Boyd Enhancing sparsity by reweighted 11 minimization 2008(05)30.R Chartand;V Staneva Restricted isometry properties and nonconvex compressive sensing 2008(035020)31.R Chartrand Exact reconstruction of sparse signals via nonconvex minimization[外文期刊] 2007(10)32.E Candès;Y C Eldarb;D Needella;P Randallc Compressed sensing with coherent and redundant dictionaries 2011(01)33.B S Kashin;V N Temlyakov A remark on Compressed Sensing 2007(5-6)34.M Elad;A M Bruckstein A generalized uncertainty principle and sparse representation in pairs of bases[外文期刊] 2002(09)35.D L Donoho;X Huo Uncertainty principles and ideal atomic decomposition 1999(07)36.T Tony Cai;L Wang;G W Xu New bounds for restricted isometry constants 2010(09)37.T Cai;L Wang;G Xu Shifting inequality and recovery of sparse signals 2010(03)38.S Foucart;M Lai Sparsest solutions of nnderdetermined linear systems via lp-minimization for 07 p7 l 2009(03)39.M Fomasier;H Rauhut lterative thresholding algorithms[外文期刊] 2008(02)40.J A Tropp;A C Gilbert Signal recovery from random measurements via orthogonal matching pursuit[外文期刊] 2007(12)41.S G Mallat;Z F Zhang Matching pursuits with time-frequency dictionaries[外文期刊] 1993(12)42.M A Davenport;P T Boufonnos;M B Wakin;R G Baraniuk Signal processing with compressive measurements 2010(02)43.M Mishali;Y C Eldar From theory to practice:Sub-Nyquist sampling of sparse wideband analog signals 2010(02)44.M Mishali;Y C Eldar Blind multi-band signal reconstruction:compressed sensing for analog signals[外文期刊]2009(03)45.L Gan Block compressed sensing of natural images 200746.M F Duarte;R G Baraniuk Kronecker Compressive Sensing47.W Guo;W Yin Edge CS:an edge guided compressive sensing reconstruction[Rice University CAAM Technical Report TR10-02] 201048.M F Duarte;R G Baraniuk Spectral Compressive Sensing49.B Matei;Y Meyer A variant on the compressed sensing of Emmanuel Candès50.AM Bruckstein;M Elad;M Zibulevsky A non-negative and sparse enough solution of an underdetermined linear system of equations is unique 200851.M W Seeger;H Nickish Compressed sensing and bayesian experimental design 200852.Y T Qi;D H Liu;D Dunson;L Carin Bayesian multi-task conpressive sensing with dirichlet process priors 200853.S Ji;Y Xue;L Carin Bayesian compressive sensing[外文期刊] 2008(06)54.H Jung;J C Ye;E Y Kim Improved k-t BLASK,k-t SENSE using FOCUSS 200755.D Takhar;V Bansal;M Wakin;M Duarte,D Baron,J Laska,K F Kelly,R G Baraniuk A compressed sensing camera:New theory and an implementation using digital micromirrors 200656.A Gurbuz;J McClellan;V Cevher A compressive beamforming method 200857.V Cevher;A Gurbuz;J McClellan;R Chellappa Compressive wireless arrays for bearing estimation of sparse sources in angle domain 200858.D Baron;M F Duarte;Michael B Wakin;Shriram Sarvotham Richard G Baraniuk Distributed compressive sensing 200559.L Baboulaz;P L Dragotti Exact feature extraction using finite rate of innovation principles with an application to image super-resolution[外文期刊] 2009(02)60.V K Goyal;A K Fletcher;S Rangan Compressive sampling and lossy compression[外文期刊] 2008(02)61.R M Willet;M E Gehm;D J Brady Multiscale reconsiruction for computational spectral imaging 200762.D Shamsi;P Boufounos;F Koushanfar Noninvasive leakage power tomography of integrated circuits by compressive sensing 200863.J Bobin;J L Starck;R Ottensamer Compressed sensing in astronomy 2008(02)64.G Hennenfent;F J Herrmann Simply denoise:wavefield reconstruction via jittered undersampling 2008(13)65.R Neelamani;C Krohn;J Krebs;M Deffenbaugh,J Romberg Efficient seismic forward modeling using simultaneous random sources and sparsity 200866.K R Varshney;M cetin;J W Fisher;A S Willsky Sparse representation in structured dictionaries with application to synthetic aperture radar[外文期刊] 2008(08)67.M Herman;T Strohmer High-resolution radar via compressed sensing[外文期刊] 2009(06)68.M Sheikh;O Milenkovic;R G Baraniuk Designing cormpressive sensing DNA microarrays 200769.M A Sheikh;S Sarvotham;O Milenkovic;R G Baraniuk DNA array decoding from nonlinear measurements by belief propagation 200770.W Dai;O Milenkovic;M A Sheikh;R G Baraniuk Probe design for compressive sensing DNA microarrays 200871.W Dai;M Sheikh;O Milenkovic;R G Baraniuk Compressive sensing DNA microarrays[Report ECE-07-06] 200772.R Calderbank;S Jafarpour;R Schapire Compresed learning:Universal sparse dimensionality reduction and learning in the measurement domain 200973.J Mairal;F Bach;J Ponce;G Sapiro,A Zisserman Discriminative learned dictionaries for local image analysis 200874.O Maillard;R Munos Compressed Least Squares Regression 200975.M Elad Optimized projections for conpressed sensing[外文期刊] 2007(12)76.J Wright;A Yang;Arvind Ganesh;Shankar Shastry Yi Ma Robust face recognition via sparse representation[外文期刊] 2009(02)77.W U Bajwa;A Sayeed;R Nowak Compressed sensing of wireless channels in time,frequency,and space 200878.Y Mostofi;P Sen Compressed mapping of comunication signal strength 200879.W U Bajwa;J Haupt;G Raz;R Nowak Compressed channel sensing 200880.W Bajwa;J Haupt;A Sayeed;R Nowak Joint sourcechannel communication for distributed estimation in sensor networks 2007(10)81.G Taub(o)ck;F Hlawatsch A compressed sensing technique for OFDM channel estimation in mobileenvironments:Exploiting channel sparsity for reducing pilots 200882.R Baraniuk;P Steeghs Compressive radar imaging 200783.J Romberg Imaging via compressive sampling[外文期刊] 2008(02)84.M Duarte;M Davenport Single-pixel imaging via compressive sampling[外文期刊] 2008(02)85.H Y Yu;G Wang Compressed sensing based interior tomography 200986.J W Ma Single-pixel remote sensing[外文期刊] 2009(02)87.W L Chan;K Charan A single-pixel terahertz imaging system based on compressive sensing 2008(12)88.S Hu;M Lustig Compressed sensing for resolution enhancement of hyperpolarized 13C flyback 3D-MRSI[外文期刊] 2008(02)89.J Trzasko;A Manduca Highly undersampled magnetic resonance image reconstruction via homotopic ell-0-minimization [外文期刊] 2009(01)90.Y C Kim;S S Narayanan;K S Nayak Accelerated three-dimensional upper airway MRI using compressed sensing 200991.H Jung;K Sung;S Krishna;E Y Kim J C Ye K-t FOCUSS:A general compressed sensing framework for high resolution dynamic MRI 200992.J Provost;F Lesage The application of compressed sensing for photo-acoustic tomography 2009(04)93.M Lustig;D Donoho;J M Pauly Sparse MRI:the application of compressed sensing for rapid MR imaging[外文期刊] 2007(06)94.B Michael;M Wakin;J Laska Compressive imaging for video representation and coding 200695.B Babadi;N Kalouptsidis;V Tarokh asymptotic achievability of the Cramér-Rao bound for noisy compressive sampling [外文期刊] 2009(03)96.M Akcakaya;V Tarokh A frame construction and a universal distortion bound for sparse representations[外文期刊] 2008(06)97.S Sarvotham;D Baron;R G Baraniuk Measurements vs.bits:compressed sensing meets information theory 200698.E Candès;T Tao Near-optimal signal recovery from random projections:Universal encoding strategies[外文期刊] 2006(12)99.E Candès;J Romberg;T Tao Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information[外文期刊] 2006(02)100.D Donoho;Y Tsaig Extensions of compressed sensing[外文期刊] 2006(03)101.E Candès;M Wakin An introduction to compressive sampling[外文期刊] 2008(02)102.D Donoho Compressed sensing[外文期刊] 2006(04)1.叶丰.罗景青.俞志富.张纯基于欠采样的宽频段多窄带信号频谱盲恢复系统[期刊论文]-电子测量与仪器学报 2011(11)本文链接：/Periodical_dianzixb201107030.aspx。