压缩感知与奈奎斯特采样频率比较报告.docVIP

奈奎斯特采样频率 与压缩感知比较报告 学 生 张** 年 级 2010级 班 级 0210** 班 学 号 021012** 专 业 电子信息工程 学 院 电子工程学院 西安电子科技大学 2013年5月 压缩感知与奈奎斯特采样频率比较报告 张** 摘要：经典的采样定理认为，不失真的恢复模拟信号，采样频率应该不小于奈奎斯特采样频率（模拟信号最高频率的两倍）。但是这种方法在使采集到的数据有很大的冗杂性。Dohono等人提出的压缩感知理论运用了大部分信号可以在预知的一组基上面稀疏表示的原理，利用随机投影实现了在低于奈奎斯特采样频率下实现了信号的采集。本文介绍了压缩感知的一些基本理论以及，并将其与香农采样定理进行了比较。最后讨论了压缩感知的一些信息获取算法以及压缩感知理论的应用前景。 关键词： 香农采样定理 奈奎斯特采样频率 压缩感知  引言 当前大部分数据采集系统都是基于传统的香农采样定理来设计，按照这种方式采集的数据能够充分表示原始信号，但是它们存在较大的冗余。因此，这些方法往往导致采集数据的泛滥和传感器的浪费。研究如何根据信号的一些特征来实现低于奈奎斯特采样频率的采集，以减少所需采集的数据量具有重要的意义。起源于对具有有限新息率信号(即单位时间内具有有限自由度的信号)进行采集的研究，利用固定的结构性基函数以两倍于新息率而不是两倍于奈奎斯特采样频率对连续信号进行采集，Donoho等人提出的压缩感知方法则提供一种可以广泛应用于可压缩信号的采集方法。该方法所需要的传感器数目大大减少，采集到的数据也具有更小的冗余度。因此，该理论提出后立即吸引了众多科学家的关注，目前我国关于压缩感知方法的研究也已经开始起步，相信不久将有更多的人加入到关于压缩感知的研究行列。 压缩感知采集方法并不是对数据直接进行采集，而是通过一组特定波形去感知信号，即将信号投影到给定波形上面(衡量与给定波形的相关度)，感知到一组压缩数据。最后利用最优化的方法实现对压缩数据解密，估计出原始信号的重要信息。压缩感知关键的问题是如何给定用来感知信号的波形才能有效地恢复出原始信号的重要信息。涉及的关键因素在于给定的波形要与可以用来压缩原始信号的波形组均不相干，并且不相干程度越高，感知数据包含的信息量越大，为准确获取重建原始信号所需的感知数据量就越少。 奈奎斯特采样原理 奈奎斯特频率是离散信号系统采样频率的一半，因奈奎斯特－香农采样定理得名。采样定理指出，只要离散系统的奈奎斯特频率高于被采样信号的最高频率或带宽，就可以避免混叠现象 从理论上说，即使奈奎斯特频率恰好大于信号带宽，也足以通过信号的采样重建原信号。但是，重建信号的过程需要以一个低通滤波器或者带通滤波器将在奈奎斯特频率之上的高频分量全部滤除，同时还要保证原信号中频率在奈奎斯特频率以下的分量不发生畸变，而这是不可能实现的。在实际应用中，为了保证抗混叠滤波器的性能，接近奈奎斯特频率的分量在采样和信号重建的过程中可能会发生畸变。因此信号带宽通常会略小于奈奎斯特频率，具体的情况要看所使用的滤波器的性能。需要注意的是，奈奎斯特频率必须严格大于信号包含的最高频率。如果信号中包含的最高频率恰好为奈奎斯特频率，那么在这个频率分量上的采样会因为相位模糊而有无穷多种该频率的正弦波对应于离散采样，因此不足以重建为原来的连续时间信号。只在个时刻非零(即为稀疏程度)。为采集中的信息，将其投影到了给定的一组感知波形上(也可以说，用一组给定的波形进行感知)，得到了一组远小于信号原始长度的测度数 压缩感知方法的目的是通过远小于采集信号数据量的测度恢复出原始信号的全部信息。从式中求解是一个欠定的问题，但从另一方面看，信号只有个未知位置上的未知变量，即信号只有个自由度，因此，在一定条件下当测度数只要超过信号自由度的时候就是可以通过一些非线性的方法进行恢复。显然，当任意选取感知矩阵的列均线性无关的时候(即感知矩阵能够区分任意两个不同的均为稀疏的信号)，在满足的所有情况中找到的具有最稀疏特性的信号即为所求，即求解如下的最优化问题： 其中代表的零范数，即其中非零元素的个数。此外给定一些其它约束条件以后，信号也可以通过求解如下的最优化问题来实现： 其中，然而对问题的求解只能通过对所有可能的稀疏情况进行求解后才能找到最稀疏的形式，这是一个NP难问题.而对时式所示最优化问题的求解也存在一定困难。幸运的是，用时上式的解来估计可压缩信号，即接近最优，并且对它的求解能够等价为一个线性规划问题，从而便于利用现有方法进行求解。 当具有可压缩性时，上述的方法同样可以估计出中的具有