大学科研成果论文7.docVIP

 PAGE  论文题目: 压缩感知原理与应用 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 压缩感知原理与应用 摘 要：压缩感知技术是一门在信号处理团队中引起广泛兴趣的新兴研究领域。虽然关于压缩感知的介绍只是从几年前开始的[1,2]，但是就这个领域的研究已经出现了成千的文件、上百次会议、工作室以及一些专门的交流研究。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。压缩感知技术这一领域跨足了许多新的战线并且以自己独特的方式应用于各种领域。这反过来也使得重新审视压缩感知技术变得必要。本文首先综述CS理论，然后着重介绍信号稀疏表示、观测矩阵设计和重构算法三个方面的最新进展,最后介绍了CS 理论的应用领域，并对其研究前景进行了展望。 关键词：压缩感知； 稀疏表示； 观测矩阵； 重构算法； 引言 信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是着名的Nyquist采样定理。定理指出，只有当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。但是，对于超宽带通信和信号处理、核磁共振成像、雷达遥感成像、传感器网络等实际应用[1]，信号的带宽变得越来越大，人们对信号的采样速率、传输速度和存储空间的要求也变得越来越高。为了缓解对信号传输速度和存储空间的压力，当前常见的解决方案是信号压缩，如基于小波变换的JPEG2000 标准。但是，信号压缩实际上是一种严重的资源浪费，因为大量的采样数据在压缩过程中被丢弃了，而它们对于信号来说是不重要的或者只是冗余信息。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。下图是一个传统方法采样压缩过程[2]。 图1 传统方法采样压??过程 压缩感知（Compressive Sensing, or Compressed Sampling，简称CS），是近几年流行起来的一个介于数学和信息科学的新方向，由Candes、Terres Tao等人提出，挑战传统的采样编码技术，即Nyquist采样定理。它不同于Nyquist 信号采样机制，Candès、Tao、Romberg、Donoho 等人，近年来基于信号稀疏性提出一种称为压缩感知(compressed sensing)或压缩采样(compressive sampling)的新兴采样理论，成功实现了信号的同时采样与压缩。下面是一个压缩感知的理论框架。 图2 压缩感知理论框架 压缩感知理论为信号采集技术带来了革命性的突破，它采用非自适应线性投影来保持信号的原始结构，以远低于奈奎斯特频率对信号进行采样，通过数值最优化问题准确重构出原始信号。 1 压缩传感 压缩感知（compressed sensing）理论是近年来出现的一种新颖的采样理论，其突破了奈奎斯特采样定理的理论限制[3]。压缩感知理论指出：当信号在某个变换域是稀疏的或可压缩的，可以利用与变换矩阵非相干的测量矩阵将变换系数线性投影为低维观测向量，同时这种投影保持了重建信号所需的信息，通过进一步求解稀疏最优化问题就能够从低维观测向量精确地或高概率精确地重建原始高维信号。其数学表达式为[4]： （1） 其中，是原始信号；为测量矩阵；是在某变换基下的稀疏表示；记为传感矩阵；为在测量矩阵下线性投影获得的测量值，为维的低维测量向量。 理论证明原始信号可由测量向量通过求解最优范数问题精确重构，其数学表达式为： （2） （3） 然而常见的自然信号在时域内几乎都是不稀疏的, 因而上述信号重构过程不能直接应用于自然信号的重构。第一节信号稀疏表示理论指出,自然信号可以通过某种变换进行稀疏表示, 即， x为该信号在变换域的稀疏表示。考虑测量公式，并且f是可以稀疏表示的, 即,则有 （4） 其中为的矩阵,被称为传感矩阵,如图3所示。 图3 压缩传感线性测量过程 通过上述分析可以看到, 在压缩传感中, 两个非