压缩感知测量矩阵
A. 什么是“压缩感知”
压缩感知， 也成为压缩采样。英文为Compressed Sampling 或者是 Compressive Sening。于2006年被提出，并被美国科技评论评为2007年度十大科技进展。
经典的采样定理为香农/乃奎斯特采样，即要保证信号的完全恢复，至少要有2倍的信号频率采样。但是这种采样当中，其实信息是冗余的。压缩感知告诉我们，如果知道信号是稀疏的，那么可以用远低于乃奎斯特采样率，一样可以很好的恢复信号。
压缩感知的核心：信号是稀疏的（即其中有K个为非零元素，其他的元素都为0），采样矩阵和稀疏基是不相关的。
相关内容较多，网络知道里面一下介绍不清楚。
如果有兴趣可以参考 http://dsp.rice.e/cs 。这里前17篇是压缩感知的综述，看完后就对概念、模型、求解算法、应用有个整体的了解。网页中间的那么多文献是针对压缩感知理论在各个领域的运用。在最后的部分，是网上现有的针对该问题的求解工具箱，大多数是基于Matlab的。只要分析后自己的模型，可以套用工具箱求解，非常方便。
B. 压缩感知重构OMP算法代码
%A-稀疏系数矩阵
%D-字典/测量矩阵（已知）
%X-测量值矩阵（已知）
%K-稀疏度
function A=OMP(D,X,L)
[n,P]=size(X);
[n,K]=size(D);
for k=1:P
a=[];
x=X(:,k);
resial=x;%残差
indx=zeros(L,1);%索引集
for j=1:L
proj=D'*resial;%D转置与resial相乘，得到与resial与D每一列的内积值
pos=find(abs(proj)==max(abs(proj)));%找到内积最大值的位置
pos=pos(1);%若最大值不止一个，取第一个
indx(j)=pos;%将这个位置存入索引集的第j个值
a=pinv(D(:,indx(1:j)))*x;%indx(1:j)表示第一列前j个元素
resial=x-D(:,indx(1:j))*a;
end
temp=zeros(K,1);
temp(indx)=a;
A(:,k)=temp;%只显示非零值及其位置
end
C. 压缩感知究竟是什么原理
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，需要有一千个方程才能精确地解出一千个未知数来。但是压缩感知的想法是假定信号具有某种特点（比如文中所描述得在小波域上系数稀疏的特点），那么就可以只做三百次测量就完整地复原这个信号（这就相当于只通过三百个方程解出一千个未知数）。可想而知，这件事情包含了许多重要的数学理论和广泛的应用前景，因此在最近三四年里吸引了大量注意力，得到了非常蓬勃的发展。陶哲轩本身是这个领域的奠基人之一（可以参考《陶哲轩：长大的神童》一文），因此这篇文章的权威性毋庸讳言。另外，这也是比较少见的由一流数学家直接撰写的关于自己前沿工作的普及性文章。需要说明的是，这篇文章是虽然是写给非数学专业的读者，但是也并不好懂，也许具有一些理工科背景会更容易理解一些。
D. 有没有哪个兄弟有Sparse recovery using sparse matrices的翻译啊
压缩传感不是万能的，
虽然它是信号和图像处理领域最热门的研究对象
但是它不可能解决所有问题
就像中科院李老师的话：
“压缩感知根植于数学理论，它给目前国内浮躁的学术环境提了一个警钟！因为只有很好地钻研它的基本理论和方法，才能将其有效地应用在所关心的问题中；否则它只能是一剂春药，一种无法名状的春药！”
------------------------------------------------------------------------------------------
人们习惯于用正交基来表示信号，直到最近几十年，人们才发现用冗余的基元素集合来表示信号能够取得更好的结果，当然我们追求的肯定是用最小数量的基元素来最优的表示信号，这就出现了信号的稀疏表示。
L1范数最小化最早并不是Donoho提出的，早在80年代，Fadil Santosa 和William Symes就曾提出了L1范数的最小化，而Donoho提出Compressed sensing 并不是换汤不换药，CS并不是解决信号在一个完备集里面的最优表示问题的，而是提出了一种新的信号采集或者测量方式，这种新的测量方式打破了Shannon-Nyquist定理在信号处理领域一手遮天的局面，已经提出，就引起了相关领域大批学者的关注。Shannon-Nyquist采样定理要求在信号的采集阶段以高于信号带宽的两倍采样率来获取信号，信号才能得到完美的重构，而CS则对信号的带宽不再作要求，取而代之的是稀疏性，满足条件的信号则可在远少于SN采样率的情况下精确的重构信号。
从数学上来说，CS是在一定的条件下求解欠定(不适定)方程，条件包括x要是稀疏的，测量矩阵要满足RIP条件，那么欠定(不适定)方程就会以很大的概率有唯一解。
E. 压缩感知中 稀疏基有很多种 怎么用matlab表示
- CS是个好东西，首先非零个数可以直接用find， length( find(a~=0) ) 就是a中非零元素的个数。
- 求解1范数有工具包的，l1-magic.
- 你要得到右图，第一步需要把小波基写成矩阵Phi，假设要分解的信号是y, 利用l1magic 求解 y=A*Phi*x , A是测量矩阵，如果你只是想用小波分解y，A取1就好了。 得到的x才是稀疏的，否则直接小波分解，得到的系数一般不稀疏
- 多看看压缩感知的基础，l1magic 也可以适当了解他的用法，对你肯定有帮助
F. 压缩传感的原理
核心思想是将压缩与采样合并进行，首先采集信号的非自适应线性投影 (测量值)，然后根据相应重构算法由测量值重构原始信号。压缩传感的优点在于信号的投影测量数据量远远小于传统采样方法所获的数据量，突破了香农采样定理的瓶颈，使得高分辨率信号的采集成为可能。
信号的稀疏表示就是将信号投影到正交变换基时，绝大部分变换系数的绝对值很小，所得到的变换向量是稀疏或者近似稀疏的，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，即信号必须在某种变换下可以稀疏表示。 通常变换基可以根据信号本身的特点灵活选取， 常用的有离散余弦变换基、快速傅里叶变换基、离散小波变换基、Curvelet基、Gabor 基 以及冗余字典等。 在编码测量中， 首先选择稳定的投影矩阵，为了确保信号的线性投影能够保持信号的原始结构， 投影矩阵必须满足约束等距性 (Restricted isometry property, RIP)条件， 然后通过原始信号与测量矩阵的乘积获得原始信号的线性投影测量。最后，运用重构算法由测量值及投影矩阵重构原始信号。信号重构过程一般转换为一个最小L0范数的优化问题，求解方法主要有最小L1 范数法、匹配追踪系列算法、最小全变分方法、迭代阈值算法等。
采样定理（又称取样定理、抽样定理）是采样带限信号过程所遵循的规律，1928年由美国电信工程师H.奈奎斯特首先提出来的，因此称为奈奎斯特采样定理。1948年信息论的创始人C.E.香农对这一定理加以明确说明并正式作为定理引用，因此在许多文献中又称为香农采样定理。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等，即：采样率不小于最高频率的两倍(该采样率称作Nyquist采样率)。该理论指导下的信息获取、存储、融合、处理及传输等成为信息领域进一步发展的主要瓶颈之一，主要表现在两个方面：
(1)数据获取和处理方面。对于单个(幅)信号/图像，在许多实际应用中(例如，超宽带通信，超宽带信号处理，THz成像，核磁共振，空间探测，等等）， Nyquist采样硬件成本昂贵、获取效率低下，在某些情况甚至无法实现。为突破Nyquist采样定理的限制，已发展了一些理论，其中典型的例子为Landau理论， Papoulis等的非均匀采样理论，M. Vetterli等的 finite rate of innovation信号采样理论，等。对于多道(或多模式)数据(例如，传感器网络，波束合成，无线通信，空间探测，等)，硬件成本昂贵、信息冗余及有效信息提取的效率低下，等等。
(2)数据存储和传输方面。通常的做法是先按照Nyquist方式获取数据，然后将获得的数据进行压缩，最后将压缩后的数据进行存储或传输，显然，这样的方式造成很大程度的资源浪费。另外，为保证信息的安全传输，通常的加密技术是用某种方式对信号进行编码，这给信息的安全传输和接受带来一定程度的麻烦。
综上所述：Nyquist-Shannon理论并不是唯一、最优的采样理论，研究如何突破以Nyquist-Shannon采样理论为支撑的信息获取、处理、融合、存储及传输等的方式是推动信息领域进一步往前发展的关键。众所周知：(1)Nyquist采样率是信号精确复原的充分条件，但绝不是必要条件。(2)除带宽可作为先验信息外，实际应用中的大多数信号/图像中拥有大量的structure。由贝叶斯理论可知：利用该structure信息可大大降低数据采集量。(3) Johnson-Lindenstrauss理论表明：以overwhelming性概率，K+1次测量足以精确复原N维空间的K-稀疏信号。
由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者，2008年被评为世界上最聪明的科学家)等人提出了一种新的信息获取指导理论，即，压缩感知或压缩传感（Compressive Sensing(CS) or Compressed Sensing、Compressed Sampling）。该理论指出：对可压缩的信号可通过远低于Nyquist标准的方式进行采样数据，仍能够精确地恢复出原始信号。该理论一经提出，就在信息论、信号/图像处理、医疗成像、模式识别、地质勘探、光学/雷达成像、无线通信等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。CS理论的研究尚属于起步阶段，但已表现出了强大的生命力，并已发展了分布CS理论(Baron等提出)，1-BIT CS理论(Baraniuk等提出)，Bayesian CS理论(Carin等提出)，无限维CS理论(Elad等提出)，变形CS理论(Meyer等提出)，等等，已成为数学领域和工程应用领域的一大研究热点。
G. 压缩感知的展望
非线性测量的压缩感知。讲压缩感知解决的线性逆问题推广到非线性函数参数的求解问题。广义的讲，非线性测量的压缩感知，可以包括以前的测量矩阵不确定性问题，量化误差问题，广义线性模型问题，有损压缩样本问题。
压缩感知在矩阵分解中的推广应用。主成分分析，表示字典学习，非负矩阵分解，多维度向量估计，低秩或高秩矩阵恢复问题。
确定性测量矩阵的设计问题。 随机矩阵在实用上存在难点。随机矩阵满足的RIP是充分非必要条件。在实际中，稀疏表示矩阵和随机矩阵相乘的结果才是决定稀疏恢复性能字典。
传统压缩感知是以稀疏结构为先验信息来进行信号恢复。当前最新进展显示数据中存在的其他的简单代数结果也作为先验信息进行信号估计。联合开发这些信号先验信息，将进一步提高压缩感知的性能。
H. 如何理解压缩感知
压缩感知的几个看似稀松平常，但是很关键的理论基础如下： 压缩感知最初提出时，是针对稀疏信号x，给出观测模型y=Φ*x时，要有怎么样的Φ，通过什么样的方式可以从y中恢复出x。（PS：稀疏信号，是指在这个信号x中非零元素的个数远小于其中零元素的个数。） 然而，很多信号本身并非稀疏的，比如图像信号。此时可以通过正交变换Ψ’，将信号投影到另外一个空间，而在这个空间中，信号a=Ψ'*x(analysis model)变得稀疏了。然后我们可以由模型y=Φ*a，即y=Φ*Ψ'*x，来恢复原始信号x。 后来，人们发现不仅仅能够通过正交变换，得到稀疏的信号；还可以通过一个字典D，得到稀疏信号x=D*a(synthesis model)，a是稀疏的，为了增强变换后信号的稀疏性，通常D是过完备的。即模型y=Φ*x=Φ*D*a，此时记A^{CS}=Φ*D，即为感知矩阵。这个模型，是我们现在最常用的。
I. 请问压缩感知理论中，“感知”究竟是对原信号还是对原信号的稀疏表达进行的(请看问题补充详细描述)
测量矩阵phy测量的对象是原始信号x，测出来是测量值y，例如，有160个点（x），经测量后测量值y的点数明显小于x的，这也是压缩感知的目的 1、Phy是测量矩阵，而x可以用一组基（Psy）表达 2、对信号进行观测 3、据我所知的几种算法恢复矩阵是根据测量矩阵和残差弄出来的