压缩感知综述.ppt

汪琪 464269769@ 中科院光电研究院 2011年10月20日 压缩感知理论简介 压缩感知数学模型 压缩感知关键要素 压缩感知应用前景 压缩感知仿真实例 压缩感知综述 压缩感知综述 压缩感知理论简介 压缩感知(压缩传感，Compressive Sensing, Compressed sensing)理论是近年来信号处理领域诞生的一种新的信号处理理论，由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者)等人提出，自诞生之日起便极大地吸引了相关研究人员的关注。网站/cs上可以获取大量相关的论文。 压缩感知理论在信号获取的同时，就对数据进行适当地压缩，而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，其采样过程必须遵循奈奎斯特采样定率，这种方式采样数据量大，先采样后压缩，浪费了大量的传感元、时间和存储空间，相较之下，压缩传感理论针对可稀疏表示的信号，能够将数据采集和数据压缩合二为一，这使其在信号处理领域有着突出的优点和广阔的应用前景。 压缩感知理论简介 传统的信息获取与处理流程 压缩感知理论框架 压缩感知的核心思想是压缩和采样合并进行，并且测量值远小于传统采样方法的数据量，突破了香农采样定理的瓶颈，使高分辨率的信号采集成为可能。 压缩感知理论简介 压缩感知理论主要包括信号的稀疏表示、随机测量和重构算法等三个方面。稀疏表示是应用压缩感知的先验条件，随机测量是压缩感知的关键过程，重构算法是获取最终结果的必要手段。 压缩感知 信号稀疏性 非相关测量 非线性优化 传统方式 信号带宽 Nyquist采样规则 Fourier变换 压缩感知数学模型 设x为长度N的一维信号，稀疏度为k（即含有k个非零值），A为M×N的二维矩阵（MN），y=Φx为长度M的一维测量值。压缩感知问题就是已知测量值y和测量矩阵Φ的基础上，求解欠定方程组y=Φx得到原信号x。 需要求解如下最优化问题： 这个过程称之为重构，其中的0范数指的就是0元素的个数。 Candes等指出，要精确重构k稀疏信号x，测量次数M（即y的维数）必须满足y=O(k ·logN) ，并且矩阵Φ必须满足约束等距性条件(Restricted Isometry Principle)。 然而最小0范数是一个NP问题，通常需要对该问题加以转换，如将0范数转化为1范数问题。 压缩感知数学模型 一般的自然信号x本身并不是稀疏的，需要在某种稀疏基上进行稀疏表示，x=Ψs，Ψ为稀疏基矩阵，s为的稀疏系数。 压缩感知方程为y=Φx=ΦΨs=Θs。 将原来的测量矩阵Φ变换为Θ=ΦΨ（称之为传感矩阵），解出s的逼近值 ，则原信号 。 压缩感知关键要素 压缩感知关键要素包括稀疏表示、测量矩阵和重构算法。 信号在某种表示方式下的稀疏性，是压缩感知应用的理论基础，经典的稀疏化的方法有离散余弦变换（DCT）、傅里叶变换（FFT）、离散小波变换（DWT）等。 最近几年，对稀疏表示研究的另一个热点是信号在冗余字典下的稀疏分解。 这是一种全新的信号表示理论：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。目前信号在冗余字典下的稀疏表示的研究集中在两个方面：一是如何构造一个适合某一类信号的冗余字典，二是如何设计快速有效的稀疏分解算法。目前常用的稀疏分解算法大致可分为匹配追踪（Matching Pursuit）和基追踪（Basis Pursuit）两大类。 压缩感知关键要素 压缩感知理论中，通过变换得到信号的稀疏系数后,需要设计压缩采样系统的观测部分，它围绕观测矩阵Φ展开。观测器的设计目的是如何采样得到M个观测值，并保证从中能重构出长度为N的信号x或者稀疏基Ψ下等价的稀疏系数向量。 CandeS和Tao等证明:独立同分布的高斯随机测量矩阵可以成为普适的压缩感知测量矩阵。2007年Candes等研究者建立了著名的约束等距性（RIP）理论，即要想使信号完全重构，必须保证观测矩阵不会把两个不同的 K项稀疏信号映射到同一个采样集合中，这就要求从观测矩阵中抽取的每M个列向量构成的矩阵是非奇异的。 Donoho给出压缩感知概念的同时定性和定量的给出测量矩阵要满足三个特征：①由测量矩阵的列向量组成的子矩阵的最小奇异值必须大于一定的常数；②测量矩阵的列向量体现