压缩感知介绍--最终版培训课件.pptVIP

压缩感知理论及应用;1 背景介绍 1.1 传统采样理论介绍及问题提出 1.2 压缩感知理论的基本思想 2 压缩感知理论分析 2.1 压缩感知的前提 2.2 压缩感知流程介绍 第一步：信号的稀疏表示 第二步：观测矩阵的设计 第三步：信号重构 3 压缩感知应用 3.1 波形信号仿真分析 3.2 CS图像融合 3.3 单像素CS相机 3.4 CS雷达;1.1 传统采样理论介绍及问题提出;而现实生活中，随着信息技术的高速发展，信息量的需求增加，携带信息的信号所占带宽也越来越大 这就大大考验了数字化社会对信息处理的能力，包括：数据存储、传输和处理速度，基于Nyquist采样的理论遭到严峻的考验。 ;能否以远低于Nyquist采样定理要求的采样速率获取信号，而保证信息不损失，并且可以完全恢复信号？ 即能否将对信号的采样转化为对信息的采样？ ;1.2 压缩感知理论的基本思想;2 压缩感知理论分析 2.1 压缩感知的前提 2.2 压缩感知流程介绍 2.3 第一步：信号的稀疏表示 2.4 第二步：观测矩阵的设计 2.5 第三步：信号重构;2.1 压缩感知的前提 ;E.Candes等人证明了：信号的稀疏性是CS的必备条件。 信号是可压缩的或在某个变换域是稀疏的，这个条件的限制等同于信号带宽对于Nyquist采样定理的约束。;2.2 压缩感知流程介绍;如同信号带宽对于Nyquist，信号的稀疏性是CS的必备条件； 如同Nyquist采样规则对于Nyquist-Shannon采样定理，CS的关键是非相关测量（该测量称为测量矩阵），他们都是信号得以精确恢复的条件； 如同Fourier变换对于Nyquist，非线性优化是CS重建信号的手段。 ;第一步：信号的稀疏表示;如何找到信号的最佳稀疏域呢？; 超完备库下的稀疏表示涉及到两个问题： 一是如何构造这样一个适合某一类信号的冗余字典； 二是在已知冗余字典的前提下如何设计快速有效的分解方法来稀疏地表示某一个信号。 右图为一些不 同的字典 ;第二步：观测矩阵的设计;2 压缩感知理论分析;观测矩阵要满足什么样的条件呢？;第三步：信号重构; 对于0-范数问题的求解是个NP问题，需要列出所有非零项位置的种组合的线性组合才能得???最优解，在多项式时间内难以求解，而且也无法验证其可靠性。 Chen，Donoho和Saunders指出求解一个优化问题会产生同等的解。于是问题转化为： 或者： 求解该最优化问题，得到稀疏域的系数，然后反变换即可以得到时域信号。;目前出现的重构算法主要可归为三大类：;3 压缩感知应用 3.1 波形信号仿真分析 3.2 CS图像融合 3.3 单像素CS相机 3.4 CS雷达;3.1 波形信号仿真分析;原信号与恢复结果对照图：;3.2 CS图像融合;图像融合结果图：;3.3 单像素CS相机;“数字微镜阵列”完成图像在伪随机二值模型上的线性投影的光学计算，其反射光由透镜聚焦到单个光敏二极管上，光敏二极管两端的电压值即为一个测量值y，将此投影操作重复M次，即得到测量向量Y， 然后用最小全变分算法构建的数字信号处理器重构原始图像x。 数字微镜器件由数字电压信号控制微镜片的机械运动以实现对入射光线的调整，相当于随机观测矩阵。;字母R的 实验结果：;3.4 CS雷达;3.4.1 CS与传统的高分辨雷达;3.4.1 CS与传统的高分辨雷达;假设空间有若干个稀疏目标，将目标所在的距离向与方位向分割成网格形式。CS雷达可以检测的目标数量 ， 为稀疏单元数目。如果 ，则可以采用CS理论，通过优化问题求解，精确分辨出空间的多个目标。 ;3.4.2 CS与MIMO雷达;3.4.2 CS与MIMO雷达;对于均匀线阵的MIMO雷达信号模型，利用CS方法估计目标波达方向(Direction of Arrival，DOA)，可以高概率的精确估计目标的DOA。 均匀线阵MIMO雷达估计结果1 均匀线阵MIMO雷达估计结果2;分布式压缩感知（Distributed Compressive Sensing, DCS）与MIMO雷达;分布式压缩感知（DCS）与MIMO雷达;（2）联合稀疏表示 构造压缩测量矩阵 对接收信号 进行联合稀疏表