压缩感知的重构算法
压缩感知的重构算法算法的重构是压缩感知中重要的一步，是压缩感知的关键之处。
因为重构算法关系着信号能否精确重建，国内外的研究学者致力于压缩感知的信号重建，并且取得了很大的进展，提出了很多的重构算法，每种算法都各有自己的优缺点，使用者可以根据自己的情况，选择适合自己的重构算法，大大增加了使用的灵活性，也为我们以后的研究提供了很大的方便。
压缩感知的重构算法主要分为三大类：1.组合算法2.贪婪算法3.凸松弛算法每种算法之中又包含几种算法，下面就把三类重构算法列举出来。
组合算法：先是对信号进行结构采样，然后再通过对采样的数据进行分组测试，最后完成信号的重构。
(1) 傅里叶采样（Fourier Representaion）(2) 链式追踪算法（Chaining Pursuit）(3) HHS追踪算法（Heavy Hitters On Steroids）贪婪算法：通过贪婪迭代的方式逐步逼近信号。
(1) 匹配追踪算法（Matching Pursuit MP）(2) 正交匹配追踪算法（Orthogonal Matching Pursuit OMP）(3) 分段正交匹配追踪算法（Stagewise Orthogonal Matching Pursuit StOMP）(4) 正则化正交匹配追踪算法（Regularized Orthogonal Matching Pursuit ROMP）(5) 稀疏自适应匹配追踪算法（Sparisty Adaptive Matching Pursuit SAMP）凸松弛算法：(1) 基追踪算法（Basis Pursuit BP）(2) 最小全变差算法（Total Variation TV）(3) 内点法（Interior-point Method）(4) 梯度投影算法（Gradient Projection）(5) 凸集交替投影算法（Projections Onto Convex Sets POCS）算法较多，但是并不是每一种算法都能够得到很好的应用，三类算法各有优缺点，组合算法需要观测的样本数目比较多但运算的效率最高，凸松弛算法计算量大但是需要观测的数量少重构的时候精度高，贪婪迭代算法对计算量和精度的要求居中，也是三种重构算法中应用最大的一种。
下面分别就贪婪算法中的MP，OMP算法以及凸松弛算法中的BP算法进行详细的介绍。
三种重建算法本节主要是介绍一些基本的重建算法，比如贪婪迭代算法中的匹配追踪算法，正交匹配追踪算法，以及凸松弛算法中的基追踪算法，对其原理进行了介绍，并用matlab代码重构出来一维和二维的图形，进而比较这几种算法的性能。
1.匹配追踪算法（Matching Pursuit MP ）匹配追踪算法是Mallat 和ZHANG 在小波分析的基础上提出的，是贪婪迭代算法中的比较基本的算法，有其显著的特点，是学习研究贪婪算法的基础。
1.1 MP 算法的原理x y Φ=，其中测量矩阵Φ又称为过完备字典，每一列被称为一个原子，则测量矩阵中有n 个原子，而y 的长度为m ，原子的个数远远大于信号的长度，即m<<n ，因此测量矩阵又称为过完备字典。
信号y 在测量矩阵上进行分解，Φ可以用{ϕϕn ...1}来表示，单位向量长度为1，要对过完备字典的原子进行归一化处理。
MP 算法的基本思想：从观测矩阵（过完备字典）中选择一个与信号y 相关性最大（最匹配）的原子，也就是观测矩阵中的一列，构建信号的稀疏逼近，求出信号的残差，重复上面的操作，继续选择与信号残差最匹配的一个原子，如此反复迭代直到达到迭代次数，最后信号y 就可以表示为这些原子的线性组合。
MP 进行稀疏分解的步骤[1][2]：从观测矩阵中选择一个与信号y 最匹配的原子，也就是内积最大的一个原子，即：|<y,ϕΓ0>|=sup ),...1(n i ∈|<y,ϕi >| （1） 其中，Γ0表示字典矩阵的列索引。
先将信号y 投影到向量 Φ∈Γϕ0上，信号y 也可以表示为：R y y 100,+Γ>Γ=<ϕϕ (2)(2)式等号右边的第一项为观测矩阵中最匹配原子ϕΓ0的垂直投影分量，等式右边的第二项R 1是y 通过ϕΓ0分解后的残差，且与y 正交。
（2）式可以写为：|||||,|||||10222R y y +Γ=><ϕ （3） 对残差R 1进行上面同样的分解，在第n 次迭代过程中：R R R n n n n n 1,++Γ>Γ=<ϕϕ （4） 因为R n 和ϕΓn 正交，则（4）式可以表示为：|||||,|||||1222R R R n n n n ++Γ=><ϕ （5） 最后，信号y 可以表示为：R y n i n i i i y 10,+=+Γ>Γ<=∑ϕϕ （6）因为最后的残差R n 1+正交于上次迭代产生的残差R n ，则最后的表达式为：|||||,|||||1222R y y n i n o i ++Γ=><∑=ϕ （7） 由（7）式可知，当残差R n 1+为零时，可以得到信号的精确分解。
定理1[3] 存在0>λ，使得一切对于0≥n 时，有||||||||21y n n R λ-+≤成立。
这样（7）式中，||||1R n +按照指数衰减的形式趋于零，也就是|,|||||202><∑Γ==ϕi y y n i 成立。
参考文献：[1] 曹离然.面向压缩感知的稀疏信号重建算法研究.[D].哈尔滨工业大学，2011.[2] Y .C.PATI.Orthogonal Matching Pursuit: Recursive Function Approximation with Applications to Wavelet Decomposition.IEEE.1993:40-44[3] 韩红平.压缩感知中信号重构算法的研究.[D].南京邮电大学，2012.1.2 MP 算法的理论框图根据上面的MP 算法的原理，得出MP 算法的理论图[1]，这样更容易理解。
图1：MP算法框图参考文献：[1] 韩红平.压缩感知中信号重构算法的研究[D].南京邮电大学，20121.3 MP 算法的算法流程根据1.2中介绍的MP 算法的理论框图，现在写出MP 算法的算法流程[1][2]，这样让我们对MP 算法有一个更加清晰的理解。
输入：测量矩阵)(N M ⨯Φ，测量向量)1(⨯N y ，稀疏度k 输出：重构信号∧x（1）：初始化余量y r =0，迭代次数n=0 1；（2）：计算余量与测量矩阵的每一列的内积r g n T n 1-Φ=；共有N 个内积数值。
(3)：找出N 个g n 中的绝对值最大的元素)(k g n ，k 为对应的最大内积的列号。
（4）：计算信号的近似解][][][1k k k g x x n n n +=-；（5）：更新余量ϕk n n n k g r r ⋅-=-][1；（6）：若满足迭代条件，则n=n+1，x n x =∧，若不满足迭代条件则返回步骤（2）；迭代次数为稀疏度的2倍。
参考文献：[1] Linfeng Du,Rui Wang. Analysis on Greedy Reconstruction Algorithms Based on Compressed Sensing.[J].IEEE 2012:783-789[2] 文首先.压缩感知匹配追踪算法的研究.[D].20131.4 MP 算法的信号重构本节分别通过对一维离散信号，二维Lena 为例，进行MP 算法的信号重构。
（1）一维离散信号的MP算法仿真本次仿真使用matlab随机生成的一维离散信号，稀疏度k=23,信号长度N=256，观测向量的长度M=80，那么采样率M/N=0.3，其中的观测矩阵 是高斯随机矩阵。
采用MP算法对一维信号进行重构，重构图如1：图1：MP算法重构一维信号通过上面的重构可以得出，MP算法对一维信号有很好的重构效果。
（2）二维lena图像的MP算法重构我们上面的研究知道MP算法对一维信号有很好的重构作用，但是算法不只是要在一维信号中有好的重构功能，还要能很好的重构二维信号才可以，这样应用的范围才会更大。
我们知道压缩感知重构的是可压缩的稀疏信号，二维信号是不稀疏的，这就要在进行算法重构的时候进行一些处理，我们可以先采用离散余弦变换（dct）使数据稀疏，算法重构结束之后再进行离散反余弦变换（idct），这样就转化为了我们所需要的。
本次在matlab中的仿真，我们采用的是256256的Lena的二维图像，M=180，N=256，稀疏度k=40，M/N=0.7，观测矩阵是高斯随机矩阵，采用MP算法对二维图像进行重构，重构效果如图2（b）：（a）原始图片（b）MP算法重构（M/N=0.7）通过上面的(a)图和（b）图可知，采样率为0.7的时候，MP算法也能对二维图像进行精确重构。
2.正交匹配追踪算法（OMP）2.1OMP算法的原理OMP算法是在MP算法的基础上进行改进的，沿用了MP算法的重构的思想，但是又对MP 算法进行了改进，使得算法的效率更高，应用更加的广泛。
MP 算法的信号分解中步骤中介绍：R y y 100,+Γ>Γ=<ϕϕ，这说明信号在已经选择的原子上的投影（等是右边第一项）是非正交的，还存在着残差，也就是说每次迭代的过程是次最优的，不是最优解，要想最终的迭代收敛，需要的迭代次数较多。
OMP 算法就是根据MP 算法的不足之处加以改进，把所选择的原子首先通过Schimidt 正交化处理，使得在达到迭代条件的时候需要的迭代次数较MP 算法少，但是正交化的过程中会增加计算量。
在每一步中如何对选择的全部原子进行正交化处理呢？这是OMP 算法和MP 算法的不同之处。
下面介绍OMP 算法正交化原理[1]： 信号y 经k 步分解：R a k k n k n n y +Γ=∑=ϕ1且0,>=Γ<ϕnR k ，n=1,…，k （1） （1）式和MP 算法的不同在于，MP 算法是残差和前面的一个分量正交，而OMP 算法是残差和前面的每个分量都正交。
k+1步分解为：R a k k n k n n y 1111+++=+Γ=∑ϕ 且 0,1>=Γ<+ϕnR k n=1,…，k+1 （2） k+1阶减去k 阶：R R a a a kk k k k n k n k n k n -+Γ+Γ-++++=+∑111111)(ϕϕ （3） 要想对选择的全部原子进行正交化处理，要求（3）式等于零。
测量矩阵的原子不正交，为了说明（3）式等于零，下面引入一个辅助模型，模型表示的是ϕΓ+1k 对前k 个项ϕΓn（n=1，…，k ）的依赖，数学语言描述如下：r b k kn kn n n +Γ=Γ∑=+ϕϕ11且 <ϕΓnr k , > =0,n=1,…,k (4)ϕΓ+1k 在),...,(1ϕϕk上张成的正交投影，等式右边的第二项是残差，（4）式代入（3）式中：0)()(1111111=-++Γ+-++++++=∑R R r a b a a ak k k k k kn k k kn k nkn nϕ(5)如果（6）和（7）式成立，则（5）式必然成立，0111=+-+++b a a akn k k k n k n （6）0111=-++++R Rr a k k kk k (7)令a a k k k =++11，有：b a a akn k kn k n-=+1 n =1,…,k (8)01=-++R R r a k n k k n =1,…,k (9)（8）和（9）两式成立，以上就是OMP 算法进行正交化的过程。
压缩感知重构算法
4.2.1 高斯白噪声影响
高斯白噪声均值为0，方差为0.01
图A 受高斯白噪声影响OMP算法重构
图B 受高斯白噪声影响信号CoSAMP算法重构
4.2.2 椒盐噪声影响
椒盐噪声噪声密度为0.05
图A 受椒盐噪声影响信号OMP算法重构
图B 受椒盐噪声影响信号IRLS算法重构
4.2.3 受噪声影响结果比较
4
2
0
SAMP
-2 -4
-6
0
50
100
150
200
250
300
2.7.2 各算法仿真实验分析
重构算法时间都较短，误差也都较小
2.7.2 各算法性能分析
随着稀疏度K的增加，到达一定的临界值以后，信号重构的概率逐步降低
3.1 改进算法
基于变步长的正则化回溯自适应追踪算法 2018年,王欣等人针对压缩感知重构过程中稀疏度 未知以及步长大小固定的情况，基于SAMP 算法 存在的而不足，提出一种基于变步长的正则化回
每次迭代时选择多列
2.4 压缩采样匹配追踪CoSaMP
每次迭代选择多个原子， 选择的原子在下次迭代中可能会被抛弃
2.5 压缩采样匹配追踪SP
后向追踪的方式，在每次迭代中将找出的错 误的原子剔出，再把新找的原子放入支撑集 中，最后进行逼近
2.6 压缩采样匹配追踪SAMP
稀疏度自适应匹配追踪算法(SAMP)解决了需己知稀疏度才能准确重 构信号的要求。该算法沿用SP算法的回溯思想，加入步长和分阶段选 择的思想，通过迭代次数的增加，支撑集增加，从而达到每次选择更 多的原子，更快的重构信号。但是，如何选择初始步长及固定步长对 该算法有一定影响。
3.3 迭代硬阈值算法IHT
基于图像结构模型的压缩感知图像重构方法
基于图像结构模型的压缩感知图像重构方法随着数字图像在各个领域的广泛应用，如视频监控、医学影像以及移动通信等，对图像传输和存储的要求也越来越高。
然而，由于图像数据量庞大，传输和存储的成本也随之增加。
为了解决这一问题，压缩感知（Compressed Sensing，CS）技术被提出并逐渐得到应用。
压缩感知技术的基本思想是在图像采集中对图像进行压缩，即不直接采集完整的图像数据，而是对其进行稀疏采样，然后通过稀疏的采样数据来重构完整的图像。
而图像结构模型就是其中一种常用的重构方法之一。
图像结构模型是一种基于图像自身的特性进行建模和重构的方法。
它利用图像的边缘、纹理和结构等特征来提取图像信息，从而实现更加准确和高质量的图像重构。
下面将介绍基于图像结构模型的压缩感知图像重构方法的具体步骤和原理。
一、图像结构模型的建立在压缩感知图像重构过程中，首先需要建立图像结构模型。
这个步骤涉及到对图像的稀疏表示，常用的方法有小波变换、稀疏表示字典以及图像分割等。
小波变换是一种常用的图像分析和压缩方法，通过将图像进行小波变换来提取图像的频域信息，进而实现图像的稀疏表示。
稀疏表示字典则是通过提前建立一个字典，将图像的局部结构进行编码，从而实现图像的稀疏表示。
图像分割是将图像划分为若干个小块，每个小块可以看做是具有相似结构的局部区域，从而实现图像的稀疏表示。
二、图像重构算法建立好图像结构模型后，下一步就是利用稀疏采样数据对图像进行重构。
常用的图像重构算法有基于最小二乘法的估计（Least Squares，LS）、基于迭代阈值法的估计（Iterative Shrinkage-Thresholding Algorithm，ISTA）以及基于广义估计最小二乘法的估计（Generalized Estimation of Signal and Noise，GESPAR）等。
LS方法是一种常见的图像重构算法，它通过将图像重构问题转换成一个最小二乘问题，通过最小化重构图像与原始图像之间的欧式距离来进行重构。
压缩感知重构算法综述
收稿日期： 2013 － 01 － 14 ；
修订日期： 2013 － 02 － 16
基金项目： 陕西省自然科学基金（ 2012JM8021 ） 作者简介： 李珅（ 1980 － ） ， 女， 助理研究员， 博士， 主要从事压缩感知和图像超分辨率分析方面的研究。Email： waterblue_333@ opt． ac． cn
( Compressed Sensing，CS ) 为解 决该问题 提供了 契机 。该理论指出: 对于稀 疏或可压 缩 的 信 号， 能够以远低 于奈奎 斯特频率 对其 进行采 样 ， 并通过设计重 构算 法 来 精确 的 恢 复 该 信 号。 介绍 了 压 缩 感 知 理 论的 基 本 框架并讨论了 该理论 关于信 号压 缩 的采样过程 ; 综 述了压缩感 知理论的 重 构算 法 ， 其 中 着 重介绍 了 最 优 化 算法和贪婪 算法并比较了各 种算 法 之间的 优 劣 ， 最 后 探 讨 了 压 缩 感 知 理 论 重 构算 法 未 来 的 研究 重 点 。 通 为压 缩感知 重构算 法的 改进和 应 用 提 供 了理 论 依 据。 过对压缩感知理论重 构算法 较为 系 统的介绍 和比较 ， 关键词： 压缩感 知 ; 信号 采样 ; 稀疏 ; 重构算法 中图分类号： TP301． 6 文献标志码： A 文章编号： 1007 － 2276 （ 2013 ） S1 － 0225 － 08
，
稀疏（ sparsity） 和不相关（ incoher － ence ） ， 稀疏关于感 兴趣的信号， 它所表达的意思为： 连续时间信号的信息 率可能比根据其带宽所建议的小得多， 离散时间信号 所依赖自由度的数量比它的长度少得多 。 可以说， 许 多自然界的信号在某种程度上都是稀疏的或可压 缩 的， 当以合适的基 Ψ 来表示时， 信号可以有很多简练 的表达式 。不相关表达了一种含义即以 Ψ 稀疏表示 的信号一定可以在其所需要的域中展开 。 基于这两个 原则， 压缩感知理论指出， 长度为 n 的信号 X 在某组正
基于压缩感知的信号重构算法研究共3篇
基于压缩感知的信号重构算法研究共3篇基于压缩感知的信号重构算法研究1基于压缩感知的信号重构算法研究随着信息技术的发展以及现代通信系统的广泛应用，人们对于信号重构算法的研究也越来越深入。
其中，基于压缩感知的信号重构算法受到了广泛关注。
本文将从以下四个方面来探讨该算法的研究。
一、压缩感知的基本原理压缩感知的核心思想是将一个高维信号（如图像、音频等）映射到一个较低维的空间中，然后再通过一个线性投影方式将数据压缩。
利用测量矩阵可以将压缩后的数据重构到原来的高维空间中，并且能够利用未知信号的稀疏性完成恢复过程。
这种低维的表示方式可以使数据占用的空间大大减小，因此压缩感知成为了高效的信号采样方式。
二、常见的压缩感知算法常见的压缩感知算法包括OMP算法、CoSaMP算法、MPCP算法等。
其中OMP算法是一种迭代算法，用于寻找稀疏表示向量。
CoSaMP算法考虑到了噪声的影响，能够更准确地进行稀疏重构。
MPCP算法则是多向量压缩感知的拓展，用于处理多个信号的联合稀疏性问题。
三、压缩感知在图像压缩方面的应用基于压缩感知的信号重构算法在图像压缩方面的应用也是较为广泛的。
传统的JPEG和PNG等图像压缩算法虽然能够将图像进行压缩，但是重构后的图像质量较差，并且对于稀疏性较强的图像处理能力有限。
基于压缩感知的算法能够更好地处理稀疏性强的图像，同时也能够提高图像的显示效果。
四、压缩感知在音频处理方面的应用除了在图像处理方面的应用，基于压缩感知的信号重构算法在音频处理方面也具有广泛的应用前景。
例如在音频采样、去噪、提取声音等方面都有着极为广泛的应用。
此外，利用压缩感知的技术，人们还可以用较小的存储空间存储大量音乐等高质量音频数据。
综上所述，基于压缩感知的信号重构算法是一种高效且优越的信号处理方法，具有较广泛的应用前景。
在未来的研究中，我们可以结合更多的数据处理技术来提高算法的效率和精度基于压缩感知的信号重构算法在信号处理中具有广泛应用前景，能够更好地处理稀疏性较强的信号，并提高信号质量。
压缩感知重构算法——SP算法
压缩感知重构算法——SP算法SP（subspace pursuit）算法是压缩感知中⼀种⾮常重要的贪婪算法，它有较快的计算速度和较好的重构概率，在实际中应⽤较多。
本⽂给出了SP算法的matlab代码，以及相应的测试函数。
参考⽂献：Dai W, Milenkovic O. Subspace pursuit for compressive sensing signal reconstruction[J]. Information Theory, IEEE Transactions on, 2009, 55(5): 2230-2249.⽂献下载地址：Matlab代码：SP_paper.mfunction x=SP_paper(Phi,y,K)%SP算法%获取Phi矩阵的⾏数和列数[M,N]=size(Phi);%初始化步骤%将Phi的每列与y做相关，得到⼀个N*1的矩阵(列向量)correlation=Phi'*y;%对correlation取绝对值后排序，按从⼤到⼩的顺序[var,pos] = sort(abs(correlation),'descend');%声明⼀个空集T，⽤于记录Phi的列数标值T=[];T=union(T,pos(1:K));y_r=resid_paper(y,Phi(:,T));%迭代%使⽤如下形式的do---while结构% while(1)% if(condition)% break;% end% endcount=1;while(1)%根据残差计算待增加的列数，得到T_addcorrelation=Phi'*y_r;[var,pos] = sort(abs(correlation),'descend');T_add=union([],pos(1:K));%合并已有的T和T_addT=union(T,T_add);%x_p=((Phi(:,T)'*Phi(:,T))\eye(length(T)))*Phi(:,T)'*y;%proj_paper(y,Phi(:,T));%更新下标记录T[var,pos] = sort(abs(x_p),'descend');%取前K个最⼤值T=union([],T(pos(1:K)));%计算新的残差y_r_n=resid_paper(y,Phi(:,T));%判断是否退出循环,且置为最⼤迭代100次if(norm(y_r_n)>=norm(y_r) || count>100)break;end%若不退出循环,进⾏新⼀轮的迭代y_r=y_r_n;count=count+1;end%退出循环后，做最后的数据输出x=zeros(N,1);x(T)=((Phi(:,T)'*Phi(:,T))\eye(length(T)))*Phi(:,T)'*y;endfunction y_r=resid_paper(y,Phi)%计算y在Phi上的投影残差%获取矩阵Phi的⾏数和列数,M没有⽤[M,N]=size(Phi);%判断矩阵(Phi'*Phi)是否可逆if(rank(Phi'*Phi)~=N)error('矩阵不可逆');endy_p=Phi*((Phi'*Phi)\eye(N))*Phi'*y;y_r=y-y_p;end%%%%%%%%%%%%%%%%%%%%%%%%dataGen.mfunction [y,Phi,x]=dataGen(M,N,K)% 产⽣贪婪算法所需要的数据%⽣成-1/+1的原始信号xx = zeros(N,1);q = randperm(N); %y=randperm(n),是把1到n这些数随机打乱得到的⼀个数字序列。
压缩感知的重构算法
压缩感知的重构算法算法的重构是压缩感知中重要的一步，是压缩感知的关键之处。
因为重构算法关系着信号能否精确重建，国内外的研究学者致力于压缩感知的信号重建，并且取得了很大的进展，提出了很多的重构算法，每种算法都各有自己的优缺点，使用者可以根据自己的情况，选择适合自己的重构算法，大大增加了使用的灵活性，也为我们以后的研究提供了很大的方便。
压缩感知的重构算法主要分为三大类：1.组合算法2.贪婪算法3.凸松弛算法每种算法之中又包含几种算法，下面就把三类重构算法列举出来。
组合算法：先是对信号进行结构采样，然后再通过对采样的数据进行分组测试，最后完成信号的重构。
(1) 傅里叶采样（Fourier Representaion）(2) 链式追踪算法（Chaining Pursuit）(3) HHS追踪算法（Heavy Hitters On Steroids）贪婪算法：通过贪婪迭代的方式逐步逼近信号。
(1) 匹配追踪算法（Matching Pursuit MP）(2) 正交匹配追踪算法（Orthogonal Matching Pursuit OMP）(3) 分段正交匹配追踪算法（Stagewise Orthogonal Matching Pursuit StOMP）(4) 正则化正交匹配追踪算法（Regularized Orthogonal Matching Pursuit ROMP）(5) 稀疏自适应匹配追踪算法（Sparisty Adaptive Matching Pursuit SAMP）凸松弛算法：(1) 基追踪算法（Basis Pursuit BP）(2) 最小全变差算法（Total Variation TV）(3) 内点法（Interior-point Method）(4) 梯度投影算法（Gradient Projection）(5) 凸集交替投影算法（Projections Onto Convex Sets POCS）算法较多，但是并不是每一种算法都能够得到很好的应用，三类算法各有优缺点，组合算法需要观测的样本数目比较多但运算的效率最高，凸松弛算法计算量大但是需要观测的数量少重构的时候精度高，贪婪迭代算法对计算量和精度的要求居中，也是三种重构算法中应用最大的一种。
压缩感知重构算法
日期：2018.11.27
目录
1 2 3
4 5
压缩感知理论
经典贪婪迭代算法理论和实验 改进的重构算法
二维信号仿真及抗噪声分析
结论和展望
1 压缩感知理论
1.1 压缩感知重构算法
0范式重构算法：贪婪迭代算法(MP,OMP,ROMP等) 迭代算法（IHT，NIHT,AIHT） 1范式重构算法：凸优化算法（ADMM，Interior point，Gradient Projection，GPSR，Homotopy
每次迭代时选择多列
2.4 压缩采样匹配追踪CoSaMP
每次迭代选择多个原子， 选择的原子在下次迭代中可能会被抛弃
2.5 压缩采样匹配追踪SP
后向追踪的方式，在每次迭代中将找出的错 误的原子剔出，再把新找的原子放入支撑集 中，最后进行逼近
2.6 压缩采样匹配追踪SAMP
稀疏度自适应匹配追踪算法(SAMP)解决了需己知稀疏度才能准确重 构信号的要求。该算法沿用SP算法的回溯思想，加入步长和分阶段选 择的思想，通过迭代次数的增加，支撑集增加，从而达到每次选择更 多的原子，更快的重构信号。但是，如何选择初始步长及固定步长对 该算法有一定影响。
溯自适应追踪算法( RBAPVS) ．
该算法充分融合了已经存在的ROMP 算法的正则 化思想和SP 算法的回溯思想，并加入了变步长的 设计，使其重构精度和速度与同类算法相比能达 到更好效果.
3.1 RBAPVS算法
稀 疏 度 估 计
正 则 化 二 次 筛 选
3.1 RBAPVS算法
回 溯 思 想 再 筛 选
4.2.1 高斯白噪声影响
高斯白噪声均值为0，方差为0.01
基于压缩感知理论的重构算法
2023-11-11contents •压缩感知理论概述•基于压缩感知的重构算法基础•基于压缩感知的信号重构算法•基于压缩感知的图像重构算法•基于压缩感知的重构算法优化•基于压缩感知的重构算法展望目录01压缩感知理论概述在某个基或字典下，稀疏信号的表示只包含很少的非零元素。
稀疏信号通过测量矩阵将稀疏信号转换为测量值，然后利用优化算法重构出原始信号。
压缩感知压缩感知基本原理压缩感知理论提出。
2004年基于稀疏基的重构算法被提出。
2006年压缩感知技术被应用于图像处理和无线通信等领域。
2008年压缩感知在雷达成像和医学成像等领域取得重要突破。
2010年压缩感知发展历程压缩感知应用领域压缩感知可用于高分辨率雷达成像，提高雷达系统的性能和抗干扰能力。
雷达成像医学成像无线通信图像处理压缩感知可用于核磁共振成像、超声成像和光学成像等领域，提高成像速度和分辨率。
压缩感知可用于频谱感知和频谱管理，提高无线通信系统的频谱利用率和传输速率。
压缩感知可用于图像压缩和图像加密等领域，实现图像的高效存储和传输。
02基于压缩感知的重构算法基础重构算法的基本概念基于压缩感知的重构算法是一种利用稀疏性原理对信号进行重构的方法。
重构算法的主要目标是恢复原始信号，尽可能地保留原始信号的信息。
重构算法的性能受到多种因素的影响，如信号的稀疏性、观测矩阵的设计、噪声水平等。
重构算法的数学模型基于压缩感知的重构算法通常采用稀疏基变换方法，将信号投影到稀疏基上，得到稀疏表示系数。
通过求解一个优化问题，得到重构信号的估计值。
重构算法的数学模型包括观测模型和重构模型两个部分。
重构算法的性能评估重构算法的性能评估通常采用重构误差、重构时间和计算复杂度等指标进行衡量。
重构误差越小，说明重构算法越能准确地恢复原始信号。
重构时间越短，说明重构算法的效率越高。
计算复杂度越低，说明重构算法的运算速度越快。
03基于压缩感知的信号重构算法基于稀疏基的重构算法需要选择合适的稀疏基，使得信号能够稀疏表示，同时需要解决稀疏基选择不当可能导致的过拟合或欠拟合问题。
压缩感知的重构算法
压缩感知的重构算法稀疏表示是指将信号表示为一个较小数量的基向量的线性组合。
这个基向量矩阵通常称为稀疏基或字典。
信号的稀疏表示可以通过优化问题来得到，即求解一个最小化问题来找到最优的稀疏表示系数。
最小化问题通常以L1范数最小化为目标，即最小化信号的稀疏度度量。
最小化是指通过已知的采样数据和稀疏表示系数来重构原始信号。
重构问题通常可以转化为一个约束最小二乘问题，通过求解这个问题可以得到信号的最优重构。
1.基于L1范数最小化的重构算法：最小化信号的L1范数是一种经典的压缩感知重构算法。
通过求解一个线性约束最小二乘问题可以得到信号的最优重构。
这种方法的优点是理论上有稳定重构性能的保证，但是计算复杂度较高。
2.置信传播算法：置信传播算法是一种迭代算法。
该算法通过迭代地更新稀疏表示系数和重构信号，直到收敛为止。
置信传播算法的优点是计算复杂度较低，但是收敛速度相对较慢。
3.近似最小极大算法：近似最小极大算法是一种近似求解方法。
该算法通过迭代地求解一个最小二乘问题和一个最大问题来更新稀疏表示系数。
该算法的优点是计算复杂度较低，并且具有良好的稳定性。
4.正交匹配追踪算法：正交匹配追踪算法是一种逐步求解方法。
该算法通过迭代地选择最佳的基向量来逼近信号的稀疏表示，从而实现信号的重构。
该算法的优点是计算复杂度较低，但是需要事先知道稀疏度。
压缩感知的重构算法在图像处理、信号处理等领域具有广泛的应用。
它能够在少量采样的情况下实现有效的信号重构，从而大大降低数据采集和传输的成本。
通过研究不同的重构算法，可以进一步提高压缩感知的重构性能，推动其在实际应用中的广泛应用。
压缩感知的重构算法
压缩感知的重构算法算法的重构是压缩感知中重要的一步，是压缩感知的关键之处。
因为重构算法关系着信号能否精确重建，国内外的研究学者致力于压缩感知的信号重建，并且取得了很大的进展，提出了很多的重构算法，每种算法都各有自己的优缺点，使用者可以根据自己的情况，选择适合自己的重构算法，大大增加了使用的灵活性，也为我们以后的研究提供了很大的方便。
压缩感知的重构算法主要分为三大类：1.组合算法2.贪婪算法3.凸松弛算法每种算法之中又包含几种算法，下面就把三类重构算法列举出来。
组合算法：先是对信号进行结构采样，然后再通过对采样的数据进行分组测试，最后完成信号的重构。
(1) 傅里叶采样 (Fourier Representaion)(2) 链式追踪算法( Chaining Pursuit)(3) HHS 追踪算法( Heavy Hitters On Steroids) 贪婪算法：通过贪婪迭代的方式逐步逼近信号。
(1) 匹配追踪算法( Matching Pursuit MP )(2) 正交匹配追踪算法( Orthogonal Matching Pursuit OMP)(3) 分段正交匹配追踪算法( Stagewise Orthogonal Matching Pursuit StOMP)(4) 正则化正交匹配追踪算法( Regularized Orthogonal Matching Pursuit ROMP )(5) 稀疏自适应匹配追踪算法 ( Sparisty Adaptive Matching Pursuit SAMP) 凸松弛算法：(1) 基追踪算法( Basis Pursuit BP)(2) 最小全变差算法( Total Variation TV )(3) 内点法( Interior-point Method )(4) 梯度投影算法( Gradient Projection)(5) 凸集交替投影算法( Projections Onto Convex Sets POCS) 算法较多，但是并不是每一种算法都能够得到很好的应用，三类算法各有优缺点，组合算法需要观测的样本数目比较多但运算的效率最高，凸松弛算法计算量大但是需要观测的数量少重构的时候精度高，贪婪迭代算法对计算量和精度的要求居中，也是三种重构算法中应用最大的一种。