论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

    1前言：
     奈奎斯特采样定理要求对信号进行采样时采样频率要大于或者等于信号带宽的两倍。而这样得到的数据具有较大的冗余。压缩感知技术的出现，打破了采样定理的限制。压缩感知技术表明：只要信号是稀疏的或可压缩的，则数据采样可以低于奈奎斯特采样频率，而且原始信号可以由采样值精确的恢复。从而大大减少了数据的处理量。通过挖掘信号的部分先验信息，可以减少观测值方面的工作。本文中利用一部分的大系数的稀疏系数的位置设置了一个阈值矩阵，之后这个矩阵与高斯随机矩阵构成自适应观测矩阵，达到改进重构性能的目的。
　　2 压缩感知的原理：
　　标准的压缩感知的数学模型为： 

　　其中为未知信号x在稀疏域中的系数，y是观测矩阵对x进行先行观测后的得到的观测向量。若中的非零的向量为K（K<<N)个，那么称为K-稀疏的。对于十分接近0而又不是0的系数我们称之为可压缩的系数，定义的最佳K项近似为：

                          [4]
　　在此选择阈值迭代算法(IHT)解决此问题。
　　通过挖掘信号的的部分先验信息，可以减少观测值的长度，当观测值的维数及重构的算法相同时，信号稀疏度越高，重构的精度越高。显然信号的未知支撑集合比原始信号更稀疏。利用自适应的观测矩阵，可以将稀疏域的小系数更接近于零，从而优化重构建效果。
　　
　　3 观测矩阵
　　观测矩阵的设计性能直接影响压缩感知的质量，观测通过观测矩阵对信号x进行映射，或者压缩感知矩阵T对进行线性投影，若T满足受限等距特性(RIP),则此时L0可以由重构，从而的到信号x的重构。自适应观测是借助信号x或者稀疏系数的某些先验特性，生成相应的观测矩阵，这类矩阵性能上显著由于随机观测矩阵和确定观测矩阵。文中以高斯随机观测矩阵为原始矩阵由的稀疏特性对矩阵的特性进行改进，使得改进后的矩阵满足受限等距特性（RIP）的同时，使得的小系数更接近于0。