基于最佳联合稀疏表示的分布式压缩感知算法
分布式压缩感知理论研究综述及应用
分布式压缩感知理论研究综述及应用分布式压缩感知是一种集合了压缩感知和分布式信号处理技术的新型信号采样和重构方法。
它可以有效地降低采样数据的大小，减少数据传输和存储的成本，并且可以在分布式环境中实现对信号的准确重构。
本文就分布式压缩感知的理论研究和应用进行综述，通过对该领域的研究进展和应用前景进行分析，展示了分布式压缩感知在信号处理领域的重要意义和潜在价值。
一、分布式压缩感知的基本原理分布式压缩感知技术将压缩感知理论应用于分布式信号处理系统中，实现了在采样端进行压缩，并在重构端对信号进行准确还原。
它主要包括信号的采样、测量矩阵的设计、信号的重构这三个基本环节。
1. 信号的采样传统的信号采样通常是采用奈奎斯特采样定理，即采样频率要大于信号的最高频率成分。
而分布式压缩感知采用的是压缩采样，即采用远远小于奈奎斯特采样频率的采样率。
这样可以有效减少采样数据的大小，降低数据传输和存储的成本。
2. 测量矩阵的设计在分布式压缩感知中，测量矩阵的设计是非常关键的一步。
它决定了采样得到的投影数据，从而影响信号的重构效果。
常见的测量矩阵包括随机测量矩阵、稀疏测量矩阵等。
在分布式压缩感知中，信号的重构是指利用采样数据和测量矩阵来恢复原始信号。
常用的信号重构方法包括基于稀疏表示的重构算法、基于字典学习的重构算法等。
近年来，分布式压缩感知在信号处理领域取得了许多研究进展。
研究者们提出了许多新的理论方法和算法，丰富了分布式压缩感知的理论体系，推动了该领域的发展。
1. 分布式压缩感知的优化算法针对分布式压缩感知中的信号重构问题，研究者们提出了许多优化算法，如迭代硬阈值算法、基于二阶范数的重构算法等，这些算法在信号重构的准确性和计算效率上都取得了显著的进展。
分布式压缩感知不仅在通信和图像处理领域有着广泛的应用，还在生物医学、环境监测、无线传感器网络等领域展现了广阔的应用前景。
在医学影像处理中，可以利用分布式压缩感知技术对医学影像进行高效压缩和传输，从而节约了存储和传输成本。
压缩感知 稀疏贝叶斯算法
压缩感知稀疏贝叶斯算法
压缩感知是一种信号处理方式，其基本思想是通过采集少量的信号样本，然后通过某种算法重构出原始信号。
稀疏贝叶斯算法是压缩感知中的一种重要方法，它利用贝叶斯估计理论来恢复稀疏信号。
压缩感知的基本模型可描述为：y = Ax + v，其中y为观测到的信号，A为M×N的感知矩阵，x为N×1维的待求信号，v为M×1维的噪声向量。
稀疏贝叶斯学习则是在压缩感知的基础上引入了贝叶斯估计理论，用于恢复稀疏信号。
具体来说，稀疏贝叶斯学习将信号建模为一个稀疏的概率图模型，然后通过贝叶斯公式来求解最优的信号值。
然而，传统的稀疏贝叶斯算法在存在噪声的情况下，其恢复效果可能不佳。
为了解决这个问题，研究者们提出了结合自适应稀疏表示和稀疏贝叶斯学习的压缩感知图像重建方法。
此外，还有研究者提出基于块稀疏贝叶斯学习的多任务压缩感知重构算法，该算法利用块稀疏的单测量矢量模型求解多任务重构问题。
这些改进的方法都在一定程度上提高了压缩感知的性能。
无线传感器网络中的压缩感知算法研究与应用指南
无线传感器网络中的压缩感知算法研究与应用指南无线传感器网络（Wireless Sensor Network，WSN）已经成为了各类应用场景中的重要组成部分，如环境监测、智能交通系统、医疗健康等。
随着传感器节点数量的增加和数据传输量的增大，传感器网络中的数据压缩成为了一项重要的研究领域。
本文将介绍无线传感器网络中的压缩感知算法，并提供相应的应用指南。
一、压缩感知算法简介压缩感知算法是一种通过对信号进行稀疏表示，从而实现在保持一定的数据质量的同时，减少传感器节点之间的通信开销的方法。
通过对信号进行压缩表达，可以在从传感器节点中收集到的原始数据中快速提取出有用的信息，从而降低能源消耗和通信带宽的需求。
传感器节点通常通过采集信号的采样数据来获得信息，并将这些数据传输到网关节点或中心服务器进行处理和分析。
然而，由于传感器节点数量庞大且资源有限，直接传输原始数据往往会导致信号交叉和冗余，造成能耗过大、网络拥塞等问题。
因此，压缩感知算法的引入可以有效地解决这些问题。
二、常用的压缩感知算法1. 稀疏表示算法稀疏表示算法是压缩感知算法中最常用的方法之一。
该算法基于信号在某个稀疏基上的线性表示，利用稀疏性的特点将信号压缩到较低维度的空间中，从而实现数据压缩的目的。
常见的稀疏表示算法包括基于最小二乘法的OMP（Orthogonal Matching Pursuit）、BP（Basis Pursuit）等。
2. 矩阵分解算法矩阵分解算法是另一种常用的压缩感知算法。
该算法通过对信号进行矩阵分解，将信号分解成低秩的近似表示，从而实现数据的压缩。
通过引入矩阵分解，可以在一定程度上减少数据的冗余，提高压缩效率。
常见的矩阵分解算法包括主成分分析（PCA）、奇异值分解（SVD）等。
3. 信息论算法信息论算法是基于信息论原理设计的一种压缩感知算法。
该算法以信源熵为理论基础，通过降低信源熵来实现数据的压缩。
信息论算法可以充分利用信号的冗余性和统计特性，实现对信号的高效压缩。
一种新的基于分布式压缩感知的时变稀疏信道估计
一种新的基于分布式压缩感知的时变稀疏信道估计邵耀东;袁伟娜;王嘉璇【摘要】This paper studies the problem of time-varying and sparse channel estimation in the orthogonal frequency division multiplexing (OFDM) system.The complex exponential-basis expansion model (CE-BEM) is used to model the time-varying channel's response.The coefficient in CE-BEM is sparse due to the channel's sparsity.Thus,the problem of estimating the sparse channel response turns into solving the coefficient of sparse CE-BEM.For the scene with unknown sparsity,this paper proposes a sparsity adaptive distributed compressive sensing algorithm.Furthermore,a pilot pattern design method is given to deal with the effect of pilot placement on channel estimation.Finally,the simulation results show that the proposed algorithm can effectively improve estimating performance.%对OFDM(Orthogonal Frequency Division Multiplexing)系统中快时变稀疏信道估计进行了研究,采用CE BEM模型(Complex Exponential-Basis Expansion Model)对时变信道进行建模.由于信道是稀疏的,所以对应的CE-BEM基的系数也是稀疏的,由此将估计信道的抽头响应问题转化为求解稀疏CE-BEM系数的问题.针对现实稀疏度未知的场景,提出了一种稀疏度自适应的分布式压缩感知(Distributed Compressive Sensing,DCS)算法.考虑到导频放置对性能影响的重要性,提出了一种新的放置方式.仿真结果表明,本文算法有效地提升了估计性能.【期刊名称】《华东理工大学学报（自然科学版）》【年(卷),期】2018(044)001【总页数】5页(P119-123)【关键词】信道估计;CE-BEM;分布式压缩感知;导频放置;稀疏度自适应【作者】邵耀东;袁伟娜;王嘉璇【作者单位】华东理工大学信息科学与工程学院,上海200237;华东理工大学信息科学与工程学院,上海200237;华东理工大学信息科学与工程学院,上海200237【正文语种】中文【中图分类】TN929.5近年来，随着移动通信应用的日益广泛和高速铁路的迅速发展，快速移动场景下的移动通信越来越常见。
分布式压缩感知理论研究综述及应用
分布式压缩感知理论研究综述及应用1. 引言1.1 背景介绍分布式压缩感知是一种基于信号处理和信息理论的新型数据采样和重构方法。
在传统压缩感知理论中，信号在单一中心节点进行采样和重构，而分布式压缩感知将这一过程移到了多个分布式节点中。
这一理论的出现是为了解决大规模数据采集和传输中的效率和能耗问题，尤其是在物联网和无线传感器网络等场景中。
由于分布式压缩感知可以实现数据的高效压缩和传输，因此在各种领域都具有重要的应用价值。
在图像处理中，可以通过分布式压缩感知减少图像传输和存储的开销；在视频处理中，可以提高视频传输的效率和质量；在物联网中，可以减少传感器节点之间的通信量，延长网络寿命。
随着分布式压缩感知理论的不断发展和完善，其在各个领域的应用也将会更加广泛和深入。
本文旨在对分布式压缩感知理论进行综述，并探讨其在不同领域的应用现状和未来发展方向。
1.2 研究意义分布式压缩感知是压缩感知理论在分布式系统中的应用，其具有重要的研究意义。
分布式压缩感知可以有效减少传感器节点间的通信开销，在大规模传感器网络中能够节约能量和带宽资源。
通过在传感器节点上进行数据压缩和处理，可以减少数据传输的量，提高传感器网络的数据处理效率。
分布式压缩感知还可以提高数据传输的安全性，减少数据传输过程中被窃取或篡改的风险。
通过在分布式系统中引入压缩感知技术，可以实现对大规模数据的高效处理和分析，为物联网、图像处理和视频处理等领域提供了新的解决方案。
分布式压缩感知在提高传感器网络性能、优化数据传输、增强数据安全性等方面具有重要的研究意义。
1.3 研究目的研究目的是通过对分布式压缩感知理论进行深入研究，探索其在各领域的应用和潜在优势。
我们旨在揭示分布式压缩感知在信号处理中的工作原理和优势，进一步推动其在科学研究和工程实践中的应用。
我们希望通过对分布式压缩感知算法的分析和比较，为相关研究提供参考和指导，促进该领域的进一步发展。
我们还希望研究分布式压缩感知在图像处理、视频处理和物联网等领域的具体应用，探索其在解决实际问题中的有效性和适用性。
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。
基于压缩感知技术的稀疏信号恢复算法
基于压缩感知技术的稀疏信号恢复算法引言：稀疏信号恢复是当今信号处理领域中一个重要的研究方向。
在许多实际应用中，信号通常以高维度的形式存在，并且只有很少的部分是真正有用的。
传统的信号处理方法通常会面临到诸如维数灾难等问题。
为了从这样的信号中提取有用的信息，压缩感知技术被提出。
本文将重点讨论基于压缩感知技术的稀疏信号恢复算法以及其应用。
一、压缩感知技术概述压缩感知是一种从高维度信号中采集和恢复稀疏表示的技术。
它通过将信号压缩为远远低于原始信号维度的测量，然后利用稀疏性进行恢复。
压缩感知技术的核心思想是通过非常少的线性测量，即使在高维度信号的情况下，也能准确地恢复出信号的原始表示。
该技术不仅在信号处理领域有着广泛的应用，还被应用于图像恢复、图形模型和机器学习等领域。
二、基于压缩感知技术的稀疏信号恢复算法1. 稀疏表示稀疏表示是压缩感知技术的基础。
通过选择适当的基向量，信号可以以较少的非零元素进行表示。
基于稀疏表示的信号恢复算法的目标是找到使得测量结果最佳的稀疏表示。
2. l1-Minimizationl1-Minimization是一种经典的稀疏信号恢复算法，通过将恢复问题转化为一个最小化l1范数的问题来实现。
该算法的目标是最小化误差项和l1范数的和，从而实现信号的稀疏恢复。
l1-Minimization算法简单、高效，并且能够保证信号恢复的准确性。
3. Orthogonal Matching Pursuit (OMP)OMP算法是一种迭代算法，通过不断地选择与残差最匹配的基向量来逐步重建稀疏信号。
该算法在每一步都选择最具代表性的基向量，并更新残差，直到满足停止准则。
OMP算法的优势在于它能够在较短的时间内实现准确的信号恢复，并且对噪声有较强的鲁棒性。
4. Compressive Sampling Matching Pursuit (CoSaMP)CoSaMP算法是对OMP算法的改进和扩展，可以更好地恢复具有大规模稀疏度的信号。
压缩感知算法
压缩感知算法压缩感知算法是一种在信号处理领域的新兴算法，它可以有效地挖掘信号的重要细节，进而可以用来进行相关的推断和应用。
有许多种交互式的压缩感知算法及其相关的应用，主要用于从大量的数据中提取有用的信息，它们非常适用于大数据分析中的特征提取和模式识别领域。
压缩感知算法是一种基于数学和统计技术的机器学习算法，它利用通过某种变换将一组原始信号转换为另一种满足一定约束条件的信号，以实现对原始信号的压缩和处理。
它的目的是使提取的信息尽可能的准确，在保证了信息完整性的条件下，尽可能的减少信号的复杂性，以便于进行快速的处理和分析。
压缩感知算法主要由三个组成部分组成：稀疏分析器、稀疏表示器和字典学习算法。
稀疏分析器用来识别稀疏信号，即找出来重要特征，从而实现对原始信号的特征提取和模式识别；稀疏表示器负责将稀疏信号映射到一组固定的基础空间，以实现信号的压缩处理；字典学习算法则通过学习支持用户指定的字典变换来提取稀疏信号的特征。
当原始信号经过处理后，压缩感知算法可以返回一组表示原始信号特征的有效信息，即使在信号压缩失真的情况下也可以获取较精确的信息。
因此，压缩感知算法在信号处理中得到了广泛的应用，比如语音识别、视觉处理、机器学习、图片识别等领域都使用到了它。
最近，很多研究人员也利用压缩感知算法在健康监测领域取得了优异的成果，比如研究团队利用压缩感知算法对心电信号进行压缩处理，以便于快速检测心脏疾病。
同时，很多医疗机构也利用该算法建立了一些自动化的健康监测系统，利用它们能够迅速发现病人的健康状况。
总之，压缩感知算法在信号处理、大数据分析和健康监测等领域都发挥了重要的作用，从而改变了传统方法处理信号的方式，为我们提供了更为敏捷的信号处理技术。
另外，压缩感知算法的应用可以节省大量的研究时间和空间，在提高研究正确性的同时，还可以提高实验效率，为我们提供更多的研究机会。
Matlab中的压缩感知算法
Matlab中的压缩感知算法近年来，随着数字图像和视频数据的广泛应用，对于高效的数据传输和存储变得越来越重要。
而压缩感知算法作为一种新兴的信号处理技术，为我们提供了一种非常有潜力的解决方案。
而在Matlab中，我们可以轻松地利用其强大的信号处理工具箱来实现压缩感知算法。
压缩感知算法的主要思想是：通过选择性地对信号进行采样，仅保留信号中具有较大能量的部分，并利用稀疏性来重构原始信号。
这样做不仅能够节省存储空间，还能有效地减少传输带宽。
在Matlab中，我们可以利用压缩感知算法对图像进行压缩，并在保持较好质量的同时，大幅度减少数据量。
在压缩感知算法中，最常用的是基于稀疏表示的方法，其中最著名的就是基于小波变换的压缩感知算法。
Matlab中的小波变换工具箱为我们提供了一系列强大的小波函数，使得实现压缩感知算法变得简单而便捷。
我们可以将原始信号通过小波变换进行分解，然后利用稀疏表示方法选择性地保留其中重要的小波系数。
最后，通过逆小波变换将保留的系数重构为原始信号。
这样，我们就得到了一个压缩后的图像，从而实现了对图像的压缩。
然而，仅仅使用小波变换进行压缩感知并非是最好的选择，因为小波基具有固定的形状，这可能会导致一些图像特征无法得到恰当的表示。
为了解决这个问题，研究者提出了其他一些基于稀疏表示的压缩感知算法，如稀疏表示算法（Sparse Representation Algorithm，SRA）和字典学习算法（Dictionary Learning Algorithm，DLA）。
SRA算法的核心思想是将原始信号表示为稀疏系数和字典之间的线性组合。
在Matlab中，我们可以使用SRA工具箱来实现该算法。
首先，我们需要训练一个稀疏字典，并利用训练好的字典对信号进行稀疏表示。
然后，通过选择性地保留具有较大系数的部分，并利用逆字典将其重构为原始信号。
通过这样的处理，我们可以实现对信号的高效压缩。
类似于SRA算法，DLA算法也是基于稀疏表示的压缩感知方法，它通过学习一个更适应信号特征的字典来提高信号的稀疏性。
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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 ２期
西
南
科
技
大
学
学报 ຫໍສະໝຸດ Ｖ０ ． ７ Ｎ ． １２ ｏ ２
２１ ０ ２年 ６月
Ｊｕｎ ｌｏ ｏ ｔｗ ｓ Ｕｎｖ ｒｉ ｆＳ ｉｎ ｅａ ｄ Ｔ ｃ ｎ ｌｇ ｏ ｒａ ｆＳ ｕｈ ｅ ｔ ｉｅｓ ｙｏ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｔ
Ｊ ｎ ０ ２ ｕ ｅ２ １
码相 比， 采用联合编码联合解码 的方法 ， 在保证信息 可靠传输的前提下 ， 减少了整个 网络 的数据流量 ， 节约了宝贵 的
能量资源 ， 以能量有效的方式满足 了传感 器网络的应用 。
关键词 ： 线传感器 网络 无
中图分类号 ：Ｎ ２ ． Ｔ ９ ９５
分 布式 压缩感知
文献标志码 ： Ａ
ａ ｄ ｓ ｖ ｓｐ ｅ ｉ ｕ ｎ ｒｙ ｒ ｓ ｕ ｃ ｓ Ｃ ｍｐ ｒ ｄ ｗｉ ｈ ｒ ｄ ｔ ｎ ｌｍｅ ｏ ｈ ｔｅ ｃ ｄ ｓ ｓ ｐ ｒｔ ｌ ｎ ｎ ａ ｅ ｒ ｃｏ ｓ ｅ ｅ ｇ ｅ ｏ ｒ ｅ ． ｏ ａ ｅ ｔ ｔ ｅ ｔａ ｉ ｏ ａ ｔ ｄ ｔ ａ ｎ ｏ ｅ ｅ ａ ａｅ ｙ ａ ｄ ｈ ｉ ｈ
ｎｔｏｋ ＷＳ ．Ｂ ｓｄｏ Ｓ ａｄｓ ｂ ｔ ｏ ｒｓｅ ｅｓ ｇ Ｄ Ｓ ｌ ｒｈ ａ ａｐｉ Ｎ ｅ ｒ（ Ｎ） ａｅ ｎＪＭ， ｉｒ ｕｅ ｃｍｐｅｓｄｓｎｉ （ Ｃ ）ａｇｉ ｍ ｔ ｔ ｐ ｌｄｉ ＷＳ ｗ ｔ ｉ ｄ ｎ ｏｔ ｈ ｅ ｎ
ｗ ｓｐｏ ｏｅ ．Ｔ ｅｐｏ ｏｅ ｌｏ ｔｍ ｉ ｈｃ ｌｐｅｓ ｎｌ ａｅｅ ｃｄ ｄｊｉｔ ｎ ｅｏｅ ｉｔ ａ ｒｐ ｓｄ ｈ ｒｐ ｓｄａ ｒ ｈ ｗ ｉ ｍｕｔ ｌ ｉ ａ ｒ ｎｏ ｅ ｏ ｌ ａ ｄ ｄｃｄ ｄｊ ｎｌ ｇｉ ｎ ｈ ｉ ｇ ｓ ｎｙ ｏ ｙ
基 于最 佳 联 合 稀 疏 表 示 的分 布 式 压 缩 感 知算 法
张 波 刘郁林 张建新
重庆 ４０３ ） ００５ （ 重庆通信学 院 Ｄ Ｐ Ｓ 研究 室
摘要 ： 通过探索无线传感器 网络节 点感知数据的时空相关性 ， 以构建适用 于不同应用情形的联合稀疏模型 。利 用 可
联合稀疏模 型， 提出 了一种适用 于无 线传感器 网络 的分布式压缩感 知算法 。该算法采用联合编码联合解码 的方式 ， 充分利用 了信号 内部 和信 号之间的相关性 ， 从而可 以用更 少的观 测值 实现 信号群 的精 确重构 。与单 独编码 单独解
ｉ ｒ ｏｈ ｉ ｒ —ａ ｎ ｅ — ｉｎ ｌｃ ｒｅ ａｉｎ ｓｒ ｃｕｒ ｓ ｏ ｌｉｓｇ ａ ｎ ｅ ｎｇ ｂ ｔ ｎｔａ ｎｄ ｉ ｔｒ ｓｇ ａ ｏｒ ｌ ｔ ｔｕ ｔ ｅ ｆｍｕ ｔ— ｉ ｌｅ ｓ ｍｂｌｓ，ｓ ｃ ｓ ｗｉｅ ｅ ｓ ｓ ｎ ｏ ｏ ｎ ｅ ｕ ｈ ａ ｒ ｌ ｓ ｅ ｓ ｒ
ｃ ｎ ｒ ｃ ｎ ｔｕ ｔｍｕ ｔｐ ｅ ｓｇ ａｓ ｗｉ ．ｈ ｐ ｏ ａ ｉ ｔ ｙ ｕ ｉ ｉ ｉ ｃ ｔｙ ｆ ｗｅ ａ ｕ ｅ ｎ ｓ ｐｅ ｅ — ａ ｅ ｏ ｓｒ ｃ ｌｉ ｌ ｉ ｌ ｔ ｈｉ ｒ ｂ ｂ ｌ ｙ ｂ ｓｎｇ ｓｇ ｆ ａ ｌ ｅ ｒ ｍｅ ｓ ｒ ｍｅ ｔ ｒ ｓ ｎ ｎ ｈ ｇ ｉ ｎ ｉｎ ｓ ｔ ｎ ｔ ｅ ｐ ｅ ｓ ｆｒ ｌ ｂ ｌｔ ｆｍｅ ｓ ｇ ｅ ｉｅ ｙ，ｉ ｋ ｓ ｓｇ ｉ ｃ ｎｔｒｄｕ ｔｏ ｎ ｔ ｅ ｎ ｔ ｒ ｏ ｄ ｏ ．Ｉ ｈ ｒ ｍｉｅ ｏ ｅ ｉ ｉｉ ｏ ｓ ａ ｅ ｄ ｌ ｒ ａ ｙ ｖ ｔｍａ ｅ ｉ ｆ ａ ｅ ｃｉ ｎ ｉ ｅ ｗｏ ｋ ｌａ ｎ ｉ ｈ
ｄ ｃ ｄ ｓ ｓ ｐ ｒ ｔｌ ｅ ｏ ｅ ｅ ａ ａ ｅｙ，ｔ ｅ ｐｒｐｏ ｅ ｔ ｏ ｃ ｏ ｈ ｏ ｓ ｄ ｍｅ ｄ ａ ｃ ｍｍｏ ｔ ｄ ｔ ｅ ｒ ｑ ｉｅ ｎ ｓｏ Ｓ ａ ｐ ｉ ａｉｎｓ ｉ ｎｅｇ ｈ ｄａｅ ｈ ｅ ｕ ｒ ｍｅ ｔ ｆＷ Ｎ ｐ ｌｃ ｔｏ ｎ ｅ ｒ ｙ ｅｆｃｅ ｔｗａ ． ｆ ｉ ｎ ｙ ｉ
Ｋｅ ｒ ｓ ｙ ｗｏ ｄ ：Ｗ ｉ ｌｓ ｅ ｓｒＮｅｗ ｒ ｓ ｒ ｅｓ Ｓ ｎ ｏ ｔ ｏ ｋ ；Ｄｉｔ ｂ ｔｄ ｃ ｍｐ ｅｓ ｄ ｓｎ ｉｇ ｏｎ ｐ ｒｉ ｄ ｌ Ｄ ｃ ｄ ｅ ｓｒ ｕｅ ｏ ｒ ｓｅ ｅ ｓｎ ；Ｊ ｉｔＳ ａｓ ｙ Ｍｏ ｅ ； ｅ ｏ ｅ ｉ ｔ
Ｚ ＨＡＮＧ ｏ Ｉ — ｉ Ｂ ，Ｌ Ｕ Ｙｕ Ｌｎ，Ｚ ＨＡＮＧ Ｊａ —ｉ ｉｎ ｘｎ
（ Ｓ ａ ｏａｏｙ Ｃ ｏ ｇ ｉ ｏ ｍｕ ｉ ｔ ｎＩｓ ｔｔ，Ｃ ｏｇ ｉ ０ ０ ５ ｈｎ ） Ｄ Ｐ Ｌ ｂｒｔｒ ， ｈ ｎ ｑｎ Ｃ ｍ ｎｃ ｉ ｎｔｕｅ ｈ ｎ ｑ ｇ４ ０ ３ ，Ｃ ｉａ ｇ ａｏ ｉ ｎ Ａ ｓ ａ ｔ Ｊｉｔ ｐ ｒ ｔ ｍｏ ｅ （ Ｓ ｂ ｔ ｃ ： ｏ ａｓ ｙ ｄ ｌ Ｊ Ｍ）ｔａ ａｐｉ ｉｅｅ ｔ ｉ ａｉ ｓｃｕｄｂ ｏ ｓ ｕｔｄｂ ｘ ｌｉ ｒ ｎ ｓ ｉ ｓ ｈ ｔ ｐ ｌ ｄｉ ｄｆ ｒｎ ｓ ｕ ｔ ｎ ｏ ｌ ｅｃｎｔ ｃ ｙｅｐｏ— ｅ ｎ ｆ ｔ ｏ ｒ ｅ
联合稀疏模型
联合解 码
文章编号 ：６ １ ７ ５ ２ １ ）２— ０ ５—０ １７ —８５ （ ０ ２ ０ ０ ６ ４
Ｄｉｔｉ ｕ ｅ ｍ ｐ ｅ ｓ ｄ Ｓ ｎ ｉ ｇ Ａｌ ｏ ｉ ｍ ｓｒ ｂ ｔ ｄ Ｃｏ ｒ ｓｅ ｅ ｓｎ ｇ ｒｔ ｈ
Ｂａ ｅ ｎ ｔ ｅ Ｍ ｏ ｔＣｏ ｐ ｃ ｏｎ ｐ ｒ ｉ ｐ ｅ ｅ ｔ ｔｏ ｓ ｄ ｏ ｈ ｓ ｍ ａ ｔＪ ｉ ｔＳ ａ ｓｔ Ｒｅ ｒ ｓ ｎ ａ ｉｎ ｙ