压缩感知稀疏分解.docx

压缩感知稀疏分解压缩感知压缩感知是一种新的信息获取理论，是建立在信号稀疏表示、测量矩阵的非相关性以及逼近理论上的一种信号采集和重建的方法。该理论2004年由Donoho等人提出，2006年发表正式论文。与基于奈奎斯特定理的传统采样方式不同，该理论指出，只要信号是稀疏的或者在某个基下是可压缩的，就可以通过远低于奈奎斯特采样定理要求的采样率获取信号的结构信息，再通过重构算法完成信号的精确重构。压缩感知理论主要包括两个部分：将信号在测量矩阵上投影得到观测值以及利用重构算法由观测值重构信号。设x是一个长度为N的信号，x在变换域Ψ内K稀疏，即：(1)式中Ψ为稀疏变换基。通过与稀疏变换基Ψ不相关的测量矩阵Φ将高维信号x投影到低维空间y上，即： (2)式中y为观测向量，Φ为测量矩阵，A=ΦΨ为传感矩阵。重构的关键是找出信号x在Ψ域中的稀疏表示，可以通过l0范数优化问题找到具有稀疏结构的解： (3)由于式（3）的优化问题是一个难求解的NP-hard问题，所以可以用l1约束取代l0约束： (4)稀疏的概念对于长度为N的向量（实际上是指一个N维离散离值信号）来说，它的N个元素值只有K个是非零的，其中KN，这时我们称这个向量是K稀疏的或者说是严格K稀疏的