f压缩传感(Compressive Sensing)是一个很有意思的新的方向。它也正成为信号处理
领域的“A Big Idea”。对于信号 x ∈ R N×1 ,我们可以找到它的 M 个线性测量( Liner
Measurement), s = Φx 。 Φ ∈ R M ×N 。这里, Φ 的每一行可以看作是一个传感器(Sensor),
它与信号相乘,拾取(Acquisition)了信号的一部分信息。拥有了这 M 个测量和Φ ,我
们就可以近乎完美的重构原始信号了。听起来“相当”传奇,事实上,它基于如下严格的数
学最优化(Optimization)问题:
目标函数
min || y ˆ ||0 ,且满足等式约束ΦΨ H y ˆ = s
或者,可以写成
min || s − ΦΨ H y ˆ ||2 +λ || y ˆ ||0
求解该最优化问题,得到变换域的 y ˆ ,然后反变换,便可以得到时域的 x ˆ 。公式中的 2 是我
们熟悉的 2-范数,而 0 是什么呢?是 0-范数,也就是向量 y ˆ 中非零元素的个数。看起来很
有道理,因为 y ˆ 是待求的变换域向量,它是 K 稀疏的。使 y ˆ 非零元素的个数尽量小,也就
是保留了尽量少的重要的 K 个分量,显然这几个分量可以近乎完美重构 x 。我们回到传统
的思路,这 K 个分量是我们在变换域“自适应”找的,而该优化算法也可以使我们找到这 K
个分量。
这就足够了吗?显然不行,我们仍然没有探讨测量矩阵Φ 需要满足的性质。我们用极
限分析法。如果我们把 Φ 构造成和 Ψ H 极端相似(Coherence)的矩阵,也就是拿出 Ψ 的
前 M 行。用这个算法求 y ˆ ,我们将得到,这显然是错误的。也就是说,你
强迫的认为前 M 个变换域分量是重要的。而事实是,重要的 K 个分量的位置我们事先是不
知道的, 是随着信号的不同而不同的。当然, 你可以将Φ 恰好构造成对应最重要分量的 K 行,
得到正确的结果。而这种的做法要付出的概率代价KN1C。也就是说,你必须穷举 KC N 次,才
能得到你想要的结果。但是,即使你有幸碰到了它,也并不能肯定这个结果就是对的。因此,
我们选择Φ 和Ψ H 极端不相似(Extremely Incoherence)。于是, Φ 很大程度上和随机
(Randomness)这个词相联系, 它可以是满足高斯分布的白噪声矩阵, 或贝努里分布的±1矩
阵 ( 也 称 作 Noiselet ) 等 等 。 除 此 之 外 , 我 们 希 望 线 性 测 量 有 稳 定 的 能 量 性 质 :
,也就是它要保持 K 个重要分量的长度。综合上面的,我们有
了如下编码解码的策略:
编码:构造Φ ,生成测量 s = Φx ,保留 s 。
解码:构造同样的Φ ,构造任一种正交变换Ψ H ,根据 s 重构 x 。
压缩传感的优势:1、非自适应(Non-Adaptive)的,一开始就可以传输长度较短的信
号,甚至突破采样定理的极限。2、抗干扰, s 中任何一项都是重要的,或者说不重要的。
丢失了某几项,仍然可以完美重构。它的缺点:1、实际中, s 的长度一般是重要分量长度
的4 倍,才能近乎完美重构。数学上更严格的, M ≈ 4K 或者 log2( )NKM
压缩传感
时间: 2024-10-05 16:28:46
压缩传感的相关文章
压缩传感--正交变换
传统思路——正交变换 对于一维的信号 x ∈ R N×1 ,大多数情况下,信息是冗余的.我们可以通过正交变换的方法来压缩它.正变换: y = Ψx , 反变换 x = Ψ H y .这里, ΨΨ H = Ψ H Ψ = I , Ψ ∈ C N×N ,I 是单位矩阵.对于 y ∈ C N×1 ,能量较 x 集中,本质上去除了 x 中的相关性.因此,我们只保留 K 个较大的分量,而把其它 N − K 个置为零.通过反变换,我们能够近乎完美的重建原始信号.因为,那 N − K 个变换域系数的贡献,实在
压缩感知(compressed sensing)科普两则
文章贴自:http://www.cvchina.info/2010/06/08/compressed-sensing-2/#more-1173 这是数学家陶哲轩在他自己的blog上写的一篇科普文章,讨论的是近年来在应用数学领域里最热门的话题之一:压缩感知(compressed sensing). 所谓压缩感知,最核心的概念在于试图从原理上降低对一个信号进行测量的成本.比如说,一个信号包含一千个数据,那么按照传统的信号处理理论,至少需要做一 千次测量才能完整的复原这个信号.这就相当于是说,需要有一
数字图像处理,初识压缩感知Compressive Sensing
声明: 本文为转载, 原作者Rachel-Zhang. 原博客地址:http://blog.csdn.net/abcjennifer 原文地址,http://blog.csdn.net/abcjennifer/article/details/7721834/ 压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目.最近粗浅地看了这方面一些研究,对于Compressive Sensing有了初步理解,在此分享一些资料与精华.本文针对陶哲轩和Emmanuel Candes上次到北京的讲座中对
压缩感知综合理解篇
进来看稀疏编码的问题,看的内容多了,跟压缩感知的知识有些混淆,好乱,偶然看了几篇博文,在这里澄清下他们之间的关系 实际上:压缩感知只是借用稀疏表示为工具,来实现信号重构, 压缩传感理论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.信号的稀疏表示就是将信号投影到正交变换基时,可以将其看作原始信号的一种简洁表达.这是压缩传感的先验条件.在编码测量中,必须满足约束等距性条件,最后, 运用重构算法重构原始信号.:D 一.稀疏编码和压缩感知的对比 在压缩感知模型中: y=Ax+n (1)
多尺度压缩跟踪_基于粒子滤波的应用
Tracking-by-detection的思想用discriminative外观模型来在线训练和更新分类器,对于采样的样本在分类器上获得的最大值标定为新目标.压缩跟踪(CT)是压缩域中的一种特征提取方法,然而其缺点是:1 使用固定的跟踪框来检测样本 2 采样半径固定,当运动机动性较大,采样不准确 3 学习因子固定 多尺度压缩跟踪讲CT与粒子滤波(PF:自举粒子滤波--bootstrap filter)结合.粒子滤波在非高斯.非线性贝叶斯模型的应用上较为突出,基于PF的跟踪通常使用轮廓(cont
chapter 1
尽管无线传感器网络已经被广泛部署用于监测和监视任务,而它们的性能受到能量和频谱的限制.通过使传感器具有能量和频谱获取能力,新兴的ESH传感器网络能够利用获取的能量访问空闲的授权频谱,因此可以从根本上解决能量局限性问题.在这一章,我们主要介绍ESHSNs的网络结构及其几个主要的应用.然后我们讨论ESHSNs资源分配的问题(具有能量获取功能的传感器网络中的资源分配问题),这也是本书的重点. 1.1 无线传感器网络中的资源局限性 随着传感技术.低功耗嵌入式系统和无线通信的发展,无线传感器网络已经成
数据降维--低秩恢复
数据降维--低秩恢复 在实际的信号或图像采集与处理中,数据的维度越高, 给数据的采集和处理带来越大的限制.例如,在采集三维或四维(三个空间维度再加上一个频谱维度或一个时间维度) 信号时,往往比较困难.然而,随着数据维数的升高,这些高维数据之间往往存在较多的相关性和冗余度.信号的维度越高,由于数据本身信息量的增长比数据维度增长慢得多,也就使得数据变得越冗余.一个明显的例子就是,视频信号要比单幅图像的可压缩的空间大得多. 例如,对于一幅图像而言,其像素间的相关性表现在图像在某个变换域的系数是稀疏分布
论文学习-sparse methods for direction of arrival estimation1.
翻译自Sparse Methods for Direction-of-Arrival Estimation(Zai Yang∗†, Jian Li‡, Petre Stoica§, and Lihua Xie†) direction of arrival(DOA) 1.引言 DOA(direction of arrival)estimation指接收一些电磁波的方向信息的过程,这些电磁波来自许多形成阵列传感器的接收雷达的输出. 传统的波束形成器(beamformer)仅仅使用了对空间采样数据的傅
目标跟踪文章翻译--基于主动特征选择的鲁棒目标跟踪
摘要:基于检测的自适应跟踪已经被广泛研究了且前景很好.这些追踪器的关键理念是如何训练一个在线有识别力的分类器,这个分类器可以把一个对象从局部背景中分离出来.利用从检测目标位置附近的当前帧中提取的正样本和负样本不断更新分类器.然而,如果检测不准确,样本可能提取的不太准确,从而导致视觉漂移.最近,基于跟踪的多实例学习(MIL)已经在某些程度上提出了一些解决这些问题的办法.它将样本放入正负包中,然后通过最大化似然函数用在线提升的办法选择一些特征.最后,被选择的特征相结合用于分类.然而,在MIL追踪里,