压缩感知理论及应用技术方案.pptVIP

2.4信号重构算法 压缩感知中信号重构过程就是从M个观测值对原始长度为N的信号x进行 估计的过程。我们通过 获得M个观测值。重构过程中，通过 求解出稀疏向量 。 由于观测数量M远小于信号长度N，因此不得不面对求解欠定方程组问题。表面上看，求解欠定方程组似乎是无望的，如果信号x是稀疏的或可压缩的，便使得问题可解，观测矩阵具有RIP性质也为从M个观测值中精确恢复信号提供了理论保证。 D. Donoho 等人已证明，当测量矩阵满足RIP 条件时，上述组合优化问题可转化为l1范数约束的凸优化问题，那么对于公式8的求解问题就可以转换求解范数问题。问题就转化一个凸优化问题，可简化为线性规划问题。 当观测值 y中带有噪声时，公式9中的等式 不能满足，因此公式9所示的优化问题应该相应地修改为： 是一个根据噪声水平设定的正常数。 目前出现的重构算法可归纳一下三类： 凸松弛法：这类方法通过将非凸问题转化为凸问题求解找到信号的逼近，如BP算法，内点法，梯度投影方法和迭代阈值法。该类算法的优点是仅需较少的观测值即可近似重构出原始稀疏信号，其缺点是计算复杂度较高。 贪婪追踪算法：这类方法是通过每次迭代时选择一个局部最优解来逐步逼近原始信号。这些算法包括MP算法，OMP算法，分段OMP算法(STOMP)和正则化OMP(ROMP)算法。该类算法的优势是计算时间相对于凸优化算法更短且算法易于实现，其不足之处是无法保证获得全局最优解。 组合算法：这类方法要求信号的采样支持通过分组测试快速重建，如傅立叶采样，链式追踪和HHS(Heavg Hitters Oil Steroids)追踪等。该类算法的优点是计算时间非常短，其缺点是需要的观测值较多且不易获取。 信道估计描述了物理信道对输入信号的影响，是对信道响应的一种数学近似。具体来说，就是接收机根据接收到的信号对信道的时域／频域的传输特性进行估计，在满足某些准则的前提下，尽可能使估计结果接近实际的信道传输特性。 目前的信道估计方法主要分为两类：基于导频的估计方法和盲估计方法。 信道模型可表示为 3 应用与展望 3.1 应用举例 上式可表示为 矩阵形式 越来越多的实验和研究表明：实际的无线信道通常呈现稀疏性，例如水声信道，高清数字电视信道，超宽带信道等。这些信道往往是由几条重要路径组成的相对较小的聚类，尤其是在高速通信系统和宽带通信系统中，信道的稀疏性表现得更为明显。稀疏信道的冲激响应也与普通信道的冲激响应不同，仅有少数携带重要能量的抽头，这些抽头的系数非零，剩余大部分抽头系数为零或者接近零。 如图所示是一个典型的稀疏信道冲激响应，该信道的长度为120，而非零抽头的个数只有12。 稀疏信道模型 信道的传输模型可以表示为： 实际的无线信道通常具有稀疏的结构，也就是说h(l)中仅有K(KN)个抽头的系数非零，假设它们随机均匀地分布在长度为N的信道上。 由于无线多径信道的冲激响应h具有稀疏性，满足压缩感知的前提条件，于是对稀疏信道的估计就可以转化到压缩感知的理论框架中进行求解。 忽略噪声的影响，可写成： 这里我们只研究基于导频的稀疏信道估计。 假设发送端发送的导频为 信道的冲激响应为 那么接收端相应的接收信号 即为 当系统输入信号时，若信号与训练序列之间没有保护间隔，即训练序列的后面紧随信号序列。这种情况下，X矩阵中的零元素部分被输入信号代替，那么卷积过后与这部分对应的输出是混叠的无用信号。 为了能更好地估计，等式变为： 矩阵X是由导频x构成的具有Toeplitz结构的MxN维矩阵，它使原来的高维稀疏信号h变成了一个低维信号Y。 文献从理论上证明了如果训练序列x是独立同分布的零均值有界随机序列，或满足高斯随机分布，并且Y的长度满足 。那么，由x构成具有Toeplitz结构的矩阵X将以很大概率满足RIP准则。 信道估计实际上就是在已知Y和X的前提下，根据 求解h。而这里的h具有稀疏性且X满足RIP准则，它们正好满足压缩感知准确重构的条件。因此，我们可以利用压缩感知理论中的方法来解决这类信道估计问题。 3.2 总结展望 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。在重构软件代价的基础上，避免了高速采样