现代数字信号处理答案.docVIP

P17 1.9 1.16 P42 2.2 2.5 P118 3.5 3.12 P162 4.4 4.7 压缩感知（Compressed Sensing，CS）是近年来信号处理领域兴起的数据采集理论，其指出用少量的采集数据就可以精确地恢复出原始信号。这里假设信号x为n×1维，CS测量矩阵A是m×n维，观测值y为m×1，其中mn： y=Ax (1) 一般而言，要从y恢复出x需要求解一个欠定方程，通常不能得到精确解，即求解出的x与x相比误差很大。但如果信号x本身是稀疏的，则求解欠定方程得到精确解就变得可行，这里需要引入稀疏变换矩阵B。此时，方程(1)可写成： y=Ax=ABz (2) 其中z=inv(B)x是稀疏的，即其非0元素个数是有限的。 这样就可以解出满足关系式(3)的z： z=min（||z||1）， s.t. y=(AB)z (3) 上面的描述随处可见于关于CS的文章，基于这些描述，我以前有一个狭隘的理解：对于CS正过程，首先是得到x，然后对x作稀疏表示，在对稀疏结果z做CS投影得到y；对于CS逆过程，由任何一种算法如omp，sp-bp，gbp等方法求解z，然后做稀疏逆变换恢复出x’： x=Bz (4) 我以前一直以为，只有先将信号稀疏以后，才可以基于稀疏性这个先验信息求解出z，继而得到x。这种理解存在一个盲点是我以前没有注意到的：CS本身的优势在于亚采样，如果必须先得到x，那么CS的优势就没有了。 在这种片面理解的影响下，前段时间写了篇文章投稿到TIP，没审稿人说的体无完肤，很是惭愧。 其实，我们只要关注(2)表达式，就可以走出这种片面理解的阴影：重建是用到的矩阵不是A，而是AB。我个人对此直观的解释是：由y=Ax可知，y的每一个样本点是x所有样本点的加权求和，其权重是A中的每一个行向量，那么同理可知S=AB，S的每一列也是基函数B中每一列的加权求和，如果S中的某一列S(k)与y很相似，和可认为B(k)与x很相似，从而可以认为B(k)是表示x的一个稀疏基。