压缩感知原理.pdfVIP

实用标准文案 压缩感知原理 ( 附程序 ) 1 压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量 的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图 2.1 。 可压缩信号 高速采样 变换 压缩 重构信号 图2.1 传统的信号压缩过程 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了 大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是 稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛 弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？ Candes 和 Donoho等人于 2004 年提出了压缩感知理论。该理论可以理解为将模拟数据节约地 转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适 当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算 法从压缩数据中恢复出原始信号。 压缩感知的主要目标是从少量的非适应线性测量 中精确有效地重构信号。 核心概念在于试图从原理上降低对一个信号进行测量的成 本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广 泛的关注，得到了蓬勃的发展。 2 压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号 进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上 降低了采样率。 压缩感知跳过了采集 N 个样本这一步骤， 直接获得压缩的信号的表 示。 CS 理论利用到了许多自然信号在特定的基 上具有紧凑的表示。即这些信号 是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和 传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个 方面。 精彩文档 实用标准文案 N 对于一个实值的有限长一维离散时间信号 X ，可以看作为一个 R 空间 N ×1的 N 维的列向量，元素为 n ， n ,=1 ，2，… N 。 R 空间的任何信号都可以用 N ×1维 N 的基向量 i 的线性组合表示。为简化问题，假定这些基是规范正交的。把向量 i 1 N i 作为列向量形成 N N 的基矩阵 ：=[ 1 , 2 , ? , N ] ，于是任意信号 X i 1 都可以表示为： X (2.1) 其中 是投影系数 = i X , i 构成的 N ×1的列向量。显然， X 和 是 同一个信号的等价表示， X 是信号在时域的表示， 则是信号在 域的表示。如果 的非零个数比 N 小很多，则表明该信号是可压缩的。一般而言，可压缩信号是指 可以用 K 个大系数很好地逼近的信号，即它在某个正交基下的展开的系数按一定量 级呈现指数衰减，具有非常少的大系数和许多小系数。这种通过变换实现压缩的方 法称为变换编码。在数据采样系统中，采样速率高但信号是可压缩的，采样得到