压缩感知详解.ppt

* * 3.2 压缩感知研究的公开问题（摘自09年文献） 3、应用与展望 4、分布式压缩感知理论(Distributed Compressed Sensing, DCS) 目前， 针对单个信号的压缩感知的研究和应用已经开展得比较深 入, 但是对分布式信号的处理仍然研究得不够。 例如， 对于一个包含大 量传感器节点的传感器网络，每个传感器都会采集大量的数据， 这些数据 将会传输到一个控制中心， 也会在各个节点之间传输。 显然， 在这种分布 式传感器网络中， 数据传输对功耗和带宽的需求非常大， 那么， 如何对分 布式信号进行压缩以减少通信压力成为非常紧迫的需求。 * * 3.3 压缩感知研究的总结与展望 3、应用与展望 压缩感知理论利用了信号的稀疏特性, 将原来基于奈奎斯特采样定理的 信号采样过程转化为基于优化计算恢复信号的观测过程。 也就是利用长时 间积分换取采样频率的降低, 省去了高速采样过程中获得大批冗余数据然后 再舍去大部分无用数据的中间过程, 从而有效缓解了高速采样实现的压力, 减少了处理、存储和传输的成本, 使得用低成本的传感器将模拟信息转化为 数字信息成为可能。这种新的采样理论将可能成为将采样和压缩过程合二为 一的方法的理论基础。 * * 3.3 压缩感知研究的总结与展望 3、应用与展望 压缩感知理论的研究已经有了一些成果, 但是仍然存在大量的问题需 要研究。概括为以下几个方面: （1） 对于稳定的重构算法是否存在一个最优的确定性的观测矩阵; （2） 如何构造稳定的、计算复杂度较低的、对观测次数限制较少的重构算法 来精确地恢复可压缩信号; （3） 如何找到一种有效且快速的稀疏分解算法是冗余字典下的压缩感知理论 的难点所在; * * 3.3 压缩感知研究的总结与展望 3、应用与展望 （4） 如何设计有效的软硬件来应用压缩感知理论解决大量的实际问题，这 方面的研究还远远不够; （5） 对于p2范数优化问题的求解研究还远远不够; （6） 含噪信号或采样过程中引入噪声时的信号重构问题也是难点所在， 研究结果尚不理想。 此外， 压缩感知理论与信号处理其它领域的融合也远不够，如信号检测、 特征提取等。 CS理论与机器学习等领域的内在联系方面的研究工作已经开始。 * * 3.3 压缩感知研究的总结与展望 3、应用与展望 压缩感知理论是新诞生的, 虽然还有许多问题待研 究, 但它是对传统信号处理的一个极好的补充和完善, 是一种具有强大生命力的理论, 其研究成果可能对信号 处理等领域产生重大影响。（来自09年文献） * * * * 压缩感知概述Introduction to Compressive Sensing * * 目录 一、背景与现状 理论产生背景 研究现状 二、压缩感知理论介绍 压缩感知的基本思想 压缩感知的数学模型 压缩感知要解决的问题 三、应用与展望 压缩感知的初步应用 压缩感知研究的公开问题 压缩感知的总结与展望 * * 一、背景现状 * * 1.1 理论产生背景 1、背景现状 一方面， 在奈奎斯特( Nyquist) 采样定理为基础的传统数 字信号处理框架下，若要从采样得到的离散信号中无失真地恢 复模拟信号，采样速率必须至少是信号带宽的两倍。然而，随着 当前信息需求量的日益增加，信号带宽越来越宽，在信息获取中 对采样速率和处理速度等提出越来越高的要求，因而对宽带信号 处理的困难在日益加剧。例如高分辨率地理资源观测， 其巨量数据 传输和存储就是一个艰难的工作。 * * 1.1 理论产生背景 1、背景现状 原始图像 采样数据 采样 压缩 数据传输 解压缩 数据传输 恢复图像 通过显示器显示图像 另一方面， 在实际应用中, 为了降低存储、处理和传输的成本, 人们常采用压缩方式以较少的比特数表示信号, 大量的非重要的数据被抛弃。这种高速采样再压缩的过程浪费了大量的采样资源。 * * 1.1 理论产生背景 1、背景现状 大部分冗余信息在采集后被丢弃 采样时造成很大的资源浪费 能否直接采集不被丢弃的信息？ * * 1.1理论产生背景 1、背景现状 被感知对象 重建信号 压缩感知 名词解释：压缩感知—直接感知压缩后的信息 基本方法：信号在某一个正交空间具有稀疏性（即可压缩性），就能以较低的频率（远低于奈奎斯特采