基于压缩感知的数据重构与仿真.ppt

基于压缩感知的数据重构与仿真 李铨 2009512017 研究背景 1.经典的傅里叶变换 Transformée de Fourier 1807年 《热传导方程》 2.小波分析(wavelet analysis) 可以很好地刻画局部特性 对非平稳信号分析效果较好 1974 J.Morlet 3.压缩感知技术(Compressed sensing) a.稀疏分解（Zhang Mallet,1994） K N 完备字典D 稀疏向量α N 信号s 2004年，加州理工大学的Candes和华裔数学家Tao发表了一篇报告，提出对于某类规范基下，只要其支撑（Support）区足够小，就能以稀疏性最大作为约束条件重构信号。随后，斯坦福大学的Donoho，对其结果进行了推广，于2006年正式提出了压缩感知理论（Compressed sensing） The Big Idea b. 压缩感知（Compressed Sensing） 噪声污染信号 压缩感知重构信号 N K N 测量矩阵A 信号x 测量值y Donoho将信号的压缩重构问题转化为一线性优化问题，而0泛数下，该问题是NP难问题。 Tao等人证明了，在1泛数下的优化问题同样可以完全重构信号。这在理论上为压缩感知的应用扫清了一大障碍。 目前国内外压缩感知主要的研究热点 1.理论方面 a.非稀疏信号的稀疏化 b.测量矩阵的选取 c.重构算法及去噪方法 2.应用方面 a.雷达采样传输 b.信号去噪及重构 c.语音信号估计 d.单像素相机 论文研究内容及可行性分析 1.对大功率半导体激光器的1/f噪声提取 我们尝试利用MATLAB仿真1/f噪声并进行去噪方法的研究，并利用Origin8.0进行数据拟合，和1/f噪声模型及先前的去噪方法做对比实验 2.基于压缩感知的图像重构及去噪研究 我们选取一些无需稀疏化的图像及Lena、Boat等标准图像进行研究，在未作全变差或其他处理的直接进行压缩感知调整下的图片效果不尽如人意。本研究尝试对重构算法进行改进。 3.基于模式化压缩感知(Modified-CS) 的系统仿真 4.数字信号处理器(DSP)仿真 Thank you! 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的 ?? 傅立叶 求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取； * 傅里叶不能刻画信号的局部特性 对非平稳信号的分析效果不好 * 对稀疏表示的另一个热点问题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，最早由Mallet和Zhang于1993年首次提出，并引入了匹配追踪（MP）算法。 * NP-hard即NP难问题即是指不存在一个多项式时间内的算法即可解决的复杂问题，所有的NP问题都可以约化到它，首先了解一下什么是NP问题：NP是指非确定性多项式Non-deteministic Polynomial 的缩写，所谓的非确定性是指，可用一定数量的运算去解决多项式时间内可解决的问题。NP问题是指可以在多项式的时间里验证一个解的问题，或者说是可以在多项式的时间里猜出一个解的问题。NP类问题是已有指数时间算法的判定问题，包括P类。NP难问题即是指不存在一个多项式时间内的算法即可解决的复杂问题。 P类问题的概念：P是英文单词多项式Polynomial的第一个字母，如果一个问题可以找到一个能在多项式的时间里解决它的算法，那么这个问题就属于P问题，P类问题就是已有多项式时间算法的判定问题。所有的P类问题都是NP问题。也就是说，能多项式地解决一个问题，必然能多项式地验证一个问题的解。既然正解都出来了，验证任意给定的解也只需要比较一下就可以了。 在研究NP问题的过程中找出了一类非常特殊的NP问题叫做NP-完全问题，也即所谓的NPC问题。C是英文单词完全的第一个字母。正是NPC问题的存在，使人们相信P≠NP。NPC问题使P=NP。NPC类问题是NP问题且均能由NP中的任何问题在多项式时间内转化而成。在这里引入一个概念，约化（归约）：一个问题A可以约化为问题B的含义，可以用问题B的解法解决问题A，或者说，问题A可以“变成”问题B。B的时间复杂度高于或者等于A的时间复杂度，约化具有一项重要的性质：约化具有传递性。证明一个问题是 NPC问题也很简单。先证明它至少是一个NP问题，再证明其中一个已知的NPC问题能约化到它，这样就可以说它是NPC问题了。既然所有的N