大学科研成果论文15.docVIP

 PAGE  论文题目: 压缩感知理论及其应用前景 学 院： 计算机与信息学院 专业年级： 电子信息工程2010级 学 号： 姓 名： 指导教师、职称： 2012年 11 月15日  PAGE 4 压缩感知理论及其应用前景 摘 要：信号采样是联系模拟信源和数字信息的桥梁．人们对信息的巨量需求造成了信号采样、传输和存储的巨大压力。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）理论是近年来提出的一种基于信号稀疏性的新兴采样理论。与通常的数据采样定理不同，该理论提出可以用远远少于传统采样定理所需的采样点数或观测点数恢复出原信号或图像本文详述了压缩感知的基本理论???本文主要阐述了压缩感知中信号的稀疏表示、测量矩阵的设计及信号的重构算法等基本理论，并述了该理论的广阔应用。 关键词：压缩感知；稀疏表示；观测矩阵；重构算法 引言 在过去的半个世纪里，奈奎斯特采样定理几乎支配着所有的信号或图像等的获取、处理、存储以及传输。它要求采样频率必须大于或等于信号带宽的两倍，才能不失真的重构原始信号。在许多实际应用中，例如高分辨率的数码装置及超带宽信号处理，高速采样产生了庞大的数据，为了降低存储，处理或传输成本，只保留其中少量的重要数据。由于采样后得到的大部分数据都被丢弃了，所以这种方式造成了采样资源的严重浪费。设想如果在采样的同时直接提取信号的少量重要信息，就可以大大降低采样频率，节约资源，提高效率而且仍能够精确重构原始信号或图像。这就是Donoho、Candes以及Tao等人提出压缩感知（Compressed Sensing、Compressive Sampling或Compressive Sensing，压缩感知）[1~4]理论的主要思想。压缩感知理论指出：只要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，可以证明这样的投影包含了重构信号的足够信息。在该理论框架下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则：稀疏性和非相干性，或者稀疏性和等距约束性。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。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：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。 压缩感知理论框架[6] 传统的信号采集、编解码过程如图l所示：编码端先对信号进行采样，再对所有采样值进行变换，并将其中重要系数的幅度和位置进行编码，最后将编码值进行存储或传输：信号的解码过程仅仅是编码的逆过程，接收的信号经解压缩、反变换后得到恢复信号。采用这种传统的编解码方法，由于信号的采样速率不得低于信号带宽的2倍，使得硬件系统面临着很大的采样速率的压力。此外在压缩编码过程中，大量变换计算得到的小系数被丢弃，造成了数据计算和内存资源的浪费。 图1 传统编解码理论的框图 压缩感知理论对信号的采样、压缩编码发生在同一个步骤，利用信号的稀疏性，以远低于Nyquist采样率的速率对信号进行非自适应的测量编码。测量值并非信号本身，而是从高维到低维的投影值，从数学角度看，每个测量值是传统理论下的每个样本信号的组合函数，即一个测量值已经包含了所有样本信号的少量信息。解码过程不是编码的简单逆过程，而是在盲源分离中的求逆思想下。利用信号稀疏分解中已有的重构方法在概率意义上实现信号的精确重构或者一定误差下的近似重构[10]。解码所需测量值的数目远小于传统理论下的样本数。 图2 压缩感知理论的编解码框图 假设信号，长度为，基向量为，对信号进行变换： 显然是信号在时域的表示，是信号在域的表示。信号是否具有稀疏性或者近似稀疏性是运用压缩感知理论的关键问题，若式中的只有个是非零值者仅经排序后按指数级衰减并趋近于零，可认为信号是稀疏的。信号的可稀疏表示是压缩感知的先验条件。当前，压缩感知理论主要涉及三