壓縮感知觀測矩陣

1. 壓縮感知高斯測量矩陣不能精確重構怎麼辦

觀測矩陣的設計是壓縮感知的關鍵部分,
針對隨機高斯觀測矩陣進行研究分析。
針對觀測矩陣的設計原則,
對觀測矩陣的不同部分設計不同的權值,
並且運用奇異值分解方法

2. 壓縮感知的展望

非線性測量的壓縮感知。講壓縮感知解決的線性逆問題推廣到非線性函數參數的求解問題。廣義的講，非線性測量的壓縮感知，可以包括以前的測量矩陣不確定性問題，量化誤差問題，廣義線性模型問題，有損壓縮樣本問題。
壓縮感知在矩陣分解中的推廣應用。主成分分析，表示字典學習，非負矩陣分解，多維度向量估計，低秩或高秩矩陣恢復問題。
確定性測量矩陣的設計問題。 隨機矩陣在實用上存在難點。隨機矩陣滿足的RIP是充分非必要條件。在實際中，稀疏表示矩陣和隨機矩陣相乘的結果才是決定稀疏恢復性能字典。
傳統壓縮感知是以稀疏結構為先驗信息來進行信號恢復。當前最新進展顯示數據中存在的其他的簡單代數結果也作為先驗信息進行信號估計。聯合開發這些信號先驗信息，將進一步提高壓縮感知的性能。

3. 如何在壓縮感知中正確使用閾值迭代演算法

如何在壓縮感知中正確使用閾值迭代演算法？ 測量[2]。重構演算法是依據對信號的測量和問題的稀疏性重構原始信號的技術。上述過程可以描述為 如下數學模型：設s ∈ RN 為原始信號，該信號在某組基{ψi }N 下具有稀疏表示s = Ψx，其中Ψ = i=1 [ψ1 , ψ2 , . . . , ψN ]， = [x1 , x2 , . . . , xN ] ；給定測量矩陣Θ ∈ RM ×N ， Θ可得到信號s的觀測值y， x 由 即 y = Θs = ΘΨx 其中Φ = ΘΨ ∈ RM ×N 稱為感測矩陣， 為采樣數；則從觀測數據y來恢復未知的稀疏向量x， M 進而恢 復原始信號s的問題可建模為下述L0 問題: x∈RN min x 0 s.t. y = Φx (1.1) 這里 x 0 為x的非零分量的個數。顯然L0 問題是一個組合優化問題（NP難問題[11]） 通常將其轉化到 ， 一個稀疏優化問題求解： x∈RN min S(x) s.t. y = Φx (1.2) 這里S(x)是x的某個稀疏度量[16]，例如對給定的q ∈ (0, 1]，取S(x) = x q ，其中 x q 是x的q?准范 q 數。L0 問題（1.1）和稀疏優化問題(1.2)通常都納入如下的正則化框架來加以研究： x∈RN min Cλ (x) y ? Φx 2 + P (x; λ) (1.3) 其中λ > 0為正則化參數， (x; λ)為罰函數。 P 不同的罰函數對應不同的壓縮感知模型， 例如， (x; λ) = P 1/2 λ x 0 對應L0 問題； (x; λ) = λ x 1 對應L1 問題[8]， (x; λ) = λ x 1/2 對應L1/2 問題[9]， P P 等等。正則化 框架提供了壓縮感知研究的一般模型。通常，我們要求罰函數P (x; λ)具有某些特別性質，例如，我們 假設： (i) 非負性： (x; λ) P 0, ?x ∈ RN ； c}有界； 0； (ii) 有界性：對任何正常數c， 集合{x : P (x; λ) (iii) 可分性： (x; λ) = P N i=1 λp(xi )， p(xi ) 且 (iv) 原點奇異性： (x; λ)在x = 0處不可導， P 但在其它點處處可導。 本文目的是：從正則化框架（1.3）出發，研究並回答以下有關壓縮感知應用的四個基本問題：如 何從給定的罰函數導出壓縮感知問題的閾值表示？如何根據閾值表示設計閾值迭代演算法並建立其收 斂性理論？ 如何應用閾值迭代演算法到壓縮感知問題？ 如何針對不同特徵的壓縮感測問題選擇不同形式 的閾值迭代演算法？所獲結論期望為壓縮感知中如何正確使用閾值迭代演算法提供理論依據。 2 閾值迭代演算法與壓縮感測 本節討論前三個問題。作為預備， 我們首先簡要介紹閾值函數與閾值迭代演算法。 2.1 閾值函數 高效、 快速、 高精度的重構演算法是壓縮感知廣泛應用的前提。 閾值迭代演算法 Thresholding Iterative （ Algorithms）正是這樣一類十分理想的壓縮感知重構演算法，它因迭代簡單、可單分量處理、能有效 2 中國科學 第 40 卷 第 1 期 用於大規模高維問題而得到普遍推崇。Blumensath等[14]提出了求解近似L0 問題的Hard閾值迭代算 法， Daubechies等[15]提出了求解L1 問題的Soft閾值迭代演算法， 徐宗本等[9, 10, 16]提出了求解L1/2 問題 的Half和Chalf閾值迭代演算法。

4. 如何理解壓縮感知

壓縮感知的幾個看似稀鬆平常，但是很關鍵的理論基礎如下： 壓縮感知最初提出時，是針對稀疏信號x，給出觀測模型y=Φ*x時，要有怎麼樣的Φ，通過什麼樣的方式可以從y中恢復出x。（PS：稀疏信號，是指在這個信號x中非零元素的個數遠小於其中零元素的個數。） 然而，很多信號本身並非稀疏的，比如圖像信號。此時可以通過正交變換Ψ』，將信號投影到另外一個空間，而在這個空間中，信號a=Ψ'*x(analysis model)變得稀疏了。然後我們可以由模型y=Φ*a，即y=Φ*Ψ'*x，來恢復原始信號x。 後來，人們發現不僅僅能夠通過正交變換，得到稀疏的信號；還可以通過一個字典D，得到稀疏信號x=D*a(synthesis model)，a是稀疏的，為了增強變換後信號的稀疏性，通常D是過完備的。即模型y=Φ*x=Φ*D*a，此時記A^{CS}=Φ*D，即為感知矩陣。這個模型，是我們現在最常用的。

5. 壓縮感知理論中，投影矩陣是指觀測矩陣還是指稀疏化表示矩陣

應該是觀測矩陣

6. 壓縮感知和矩陣分解的異同

UbiComp 不是機器學習的會議。沒經過嚴格證明的就不能說他倆是等價的，雖然長得有點像。
壓縮感知是個很大的toppic，你問的這個我更願意稱之為 sparse coding。強行問兩樣東西的異同沒啥意義，因為是兩個不同的東西。
1. 矩陣填充的目標函數原本是

但是由於有 rank 的約束這個問題不是凸的，於是用 trace norm 來代替，但是還是不好算，於是用 以及 來代替trace norm。
矩陣分解也是個很大的topic，分解之後形成的矩陣有可能有特殊某些意義。
2. spase coding 是為了從數據中學一組過完備的基來稀疏表示原先的樣本。一般要求基 的第i列 。 它的目標是稀疏表示。
所以矩陣分解和sparse coding的目標並不一樣，是兩個不同的東西，彼此聯系很少。

7. 通過壓縮感知後數字信號乘以觀測矩陣後用什麼調制方式

我個人覺得，數字信號處理和數字圖像處理是針對具體的應用領域做基礎知識學習。而你說的壓縮感知是一種高於具體應用領域的智能演算法，壓縮感知可以用於數字信號方面，同樣也可以應用與數字圖像處理。確切的說數字信號處理包含了數字圖像處理，只是數字圖像處理後來發展了跟多深入的知識，所以又把其獨立成一門課程。比如Mallat的《信號處理的小波導引:稀疏方法(原書第3版)》這本書上的內容，就大部分說的應用時數字圖像。
總之，數字信號處理、數字圖像處理肯定是要學的，否則你學了壓縮感知也不知道用在什麼領域，要具體學習壓縮感知方面的知識，再去看看IEEE里的一些論文還有一些博士論文。