① 請問壓縮感知理論中，「感知」究竟是對原信號還是對原信號的稀疏表達進行的(請看問題補充詳細描述)
測量矩陣phy測量的對象是原始信號x，測出來是測量值y，例如，有160個點（x），經測量後測量值y的點數明顯小於x的，這也是壓縮感知的目的 1、Phy是測量矩陣，而x可以用一組基（Psy）表達 2、對信號進行觀測 3、據我所知的幾種演算法恢復矩陣是根據測量矩陣和殘差弄出來的
② 什麼是「壓縮感知」
壓縮感知， 也成為壓縮采樣。英文為Compressed Sampling 或者是 Compressive Sening。於2006年被提出，並被美國科技評論評為2007年度十大科技進展。
經典的采樣定理為香農/乃奎斯特采樣，即要保證信號的完全恢復，至少要有2倍的信號頻率采樣。但是這種采樣當中，其實信息是冗餘的。壓縮感知告訴我們，如果知道信號是稀疏的，那麼可以用遠低於乃奎斯特采樣率，一樣可以很好的恢復信號。
壓縮感知的核心：信號是稀疏的（即其中有K個為非零元素，其他的元素都為0），采樣矩陣和稀疏基是不相關的。
相關內容較多，網路知道裡面一下介紹不清楚。
視頻資料：1.陸吾生教授於2010年在華東師范大學講過"Compressed Sening and Signal Processing", 講的是中文，易聽懂，有點科普性質。2.Professor Justin Romberg 作為壓縮感知理論的創始人之一，2013年在清華大學講過「Comprssive Sening and Spare Recovery 」, 這個視頻要深入些，全英文講座，需要較好的英文和數學功底。
如果有興趣深入學習，建議還是認認真真看文獻。可以參考 http://dsp.rice.e/cs 。這里前17篇是壓縮感知的綜述，看完後就對概念、模型、求解演算法、應用有個整體的了解。網頁中間的那麼多文獻是針對壓縮感知理論在各個領域的運用。在最後的部分，是網上現有的針對該問題的求解工具箱，大多數是基於Matlab的。只要分析後自己的模型，可以套用工具箱求解，非常方便。
③ 跟數字信號處理相關的畢業設計題目有哪些
之前做過的「壓縮感知技術研究」與數字信號處理有關，可以參考。
DSP是Digital Signal Processing，數字信號處理的英文，我用過DSP這本，是外國出版的數字信號處理（書是全英文的）。
④ 壓縮感知相關
概念是完全等價的，最正宗的說法是"compressed sensing"。因為，大牛們幾篇奠基性的文章都是用這個說法。
⑤ 什麼是「壓縮感知」
壓縮感知，又稱壓縮采樣，壓縮感測。英文為Compressed Sampling、 Compressive Sening或者是Compressed sensing。它作為一個新的采樣理論，它通過開發信號的稀疏特性，在遠小於Nyquist 采樣率的條件下，用隨機采樣獲取信號的離散樣本，然後通過非線性重建演算法完美的重建信號。
經典的采樣定理為香農/乃奎斯特采樣，即要保證信號的完全恢復，至少要有2倍的信號頻率采樣。但是這種采樣當中，其實信息是冗餘的。壓縮感知告訴我們，如果知道信號是稀疏的，那麼可以用遠低於乃奎斯特采樣率，一樣可以很好的恢復信號。
壓縮感知的核心：信號是稀疏的（即其中有K個為非零元素，其他的元素都為0），采樣矩陣和稀疏基是不相關的。
相關內容較多，網路知道裡面一下介紹不清楚。
視頻資料：1.陸吾生教授於2010年在華東師范大學講過"Compressed Sening and Signal Processing", 講的是中文，易聽懂，有點科普性質。2.Professor Justin Romberg 作為壓縮感知理論的創始人之一，2013年在清華大學講過「Comprssive Sening and Spare Recovery 」, 這個視頻要深入些，全英文講座，需要較好的英文和數學功底。
如果有興趣深入學習，建議還是認認真真看文獻。可以參考 http://dsp.rice.e/cs 。這里前17篇是壓縮感知的綜述，看完後就對概念、模型、求解演算法、應用有個整體的了解。網頁中間的那麼多文獻是針對壓縮感知理論在各個領域的運用。在最後的部分，是網上現有的針對該問題的求解工具箱，大多數是基於Matlab的。只要分析後自己的模型，可以套用工具箱求解，非常方便。
⑥ MDBP 什麼意思
RT--- 你的問題好離奇。。。能不能先詳細的說下是什麼類型，或者在什麼情況？？你就這樣叫我們怎麼回答啊 ,
⑦ 什麼是「壓縮感知」
壓縮感知， 也成為壓縮采樣。英文為Compressed Sampling 或者是 Compressive Sening。於2006年被提出，並被美國科技評論評為2007年度十大科技進展。
經典的采樣定理為香農/乃奎斯特采樣，即要保證信號的完全恢復，至少要有2倍的信號頻率采樣。但是這種采樣當中，其實信息是冗餘的。壓縮感知告訴我們，如果知道信號是稀疏的，那麼可以用遠低於乃奎斯特采樣率，一樣可以很好的恢復信號。
壓縮感知的核心：信號是稀疏的（即其中有K個為非零元素，其他的元素都為0），采樣矩陣和稀疏基是不相關的。
相關內容較多，網路知道裡面一下介紹不清楚。
如果有興趣可以參考 http://dsp.rice.e/cs 。這里前17篇是壓縮感知的綜述，看完後就對概念、模型、求解演算法、應用有個整體的了解。網頁中間的那麼多文獻是針對壓縮感知理論在各個領域的運用。在最後的部分，是網上現有的針對該問題的求解工具箱，大多數是基於Matlab的。只要分析後自己的模型，可以套用工具箱求解，非常方便。