- 经验
- 2
- 分贝
- 0
- 家园分
- 6
- 在线时间:
- 0 小时
- 最后登录:
- 2023-4-2
- 帖子:
- 1
- 精华:
- 0
- 注册时间:
- 2022-2-11
- UID:
- 1633044
注册:2022-2-11
|
## 压缩感知-keys
- concept:是针对信号采样的技术,通过一些手段实现压缩采样,即**在采样过程中完成了数据压缩的过程**
- 压缩感知概括性的*数学描述*:如果一个信号**在某个变换域是稀疏的**,那么就可以用一个**与变换基不相关的**观测矩阵将变换所得高维信号投影到一个低维空间上,然后通过求**解一个优化问题**就可以从这些少量的投影中以高概率重构出原信号。
-
- **奈奎斯特采样定律**callback:时域以τ为间隔进行采样,频域会以1/τ为周期发生周期延拓。那么如果采样频率低于两倍的信号最高频率,信号在频域频谱搬移后就会发生混叠。
- 压缩感知**颠覆**奈奎斯特采样定律:如果信号是稀疏的,那么可以以远低于采样定理要求的采样点重建恢复,就是压缩感知的概念。
**颠覆的关键**:采样方式;奈奎斯特是等间距采样,若是随机采样之类的不等间距采样
- **随机亚采样**:频域不再以固定周期延拓—>会产生大量不相关的干扰值——>最大峰值依然存在,但是一定程度上被干扰值覆盖——>干扰值得特点:像随机噪声,实际是由三个信号的能量泄露导致的<font color=#00ffff >???数学证明是什么</font>
- 压缩感知的两个前提条件:稀疏性、不相关性
* *稀疏性*:信号在某个域中的非零点数远小于信号总点数,则信号在该域是稀疏的 (在稀疏域重建复原原信号容易)
近似稀疏、不稀疏——>做DWT、DCT找到稀疏变换
* *不相关性*:
用随机亚采样才能恢复出信号——>观测矩阵表示亚采样的过程——>
* 观测矩阵应该满足<font color="blue">约束等距性条件(restricted isometry property,RIP)</font>
![[Pasted image 20230331115018.png]]* RIP的等价条件:观测矩阵和稀疏表示基不相关
![[Pasted image 20230331114938.png]]* 如何找到普适的观测矩阵Φ——>和任意稀疏基表示Ψ都具有不相关性——>高斯随机测量矩阵(其实就是如何进行亚采样,才能满足不相关性)
*
![[Pasted image 20230331115708.png]]
- 压缩感知和图像压缩的区别:
![[Pasted image 20230331113232.png]]
* 图像压缩:先进行了全采样,然后在变换域丢弃小系数,完成压缩
* 压缩感知:直接进行亚采样,然后用算法消除亚采样导致的伪影(直接在采样时就完成了压缩)
- 压缩感知的数学表达:
![[Pasted image 20230331113502.png]]
* x是为长度N的一维信号,也就是原信号,稀疏度为k。此刻它是未知的。
* *Φ为观测矩阵*,对应着亚采样这一过程。它将高维信号x投影到低维空间,是已知的。
* *y=Φx*为长度M的一维测量值,也就是亚采样后的结果。显然它也是已知的。
* 因此,**压缩感知问题就是在已知测量值y和测量矩阵Φ的基础上,求解欠定方程组y=Φx得到原信号x。**
* 然而,一般的自然信号x本身并不是稀疏的,需要在某种稀疏基上进行稀疏表示。令x=Ψs,Ψ为稀疏基矩阵,s为稀疏系数。
* 于是最终方程就变成了:**y=ΦΨs。已知y、Φ、Ψ,求解s。** 即,由低维的向量y精确重构出Nyquist速率采样的高维数据向量x。
- 感知矩阵 **y=ΘS**:ΦΨ合并成一个矩阵,称之为传感矩阵。即令Θ=ΦΨ
![[Pasted image 20230331114318.png]] * **问题即为,已知y和Θ,求解S。**
求解出S后,由x=Ψs即可得到恢复出的原信号x。
然而在正常情况下,*方程的个数远小于未知数的个数,方程是没有确定解的,无法重构信号*。但是,由于信号是K稀疏,如果上式中的***Φ满足有限等距性质(RIP),则K个系数就能够从M个测量值准确重构(得到一个最优解)**。
### <font color=green>压缩感知的本质数知识题:求解K稀疏向量S,i.e.,欠定稀疏方程组y=ΘS</font>
- 压缩感知的核心问题转化为 **L0范数最小化问题**:
* L0范数是指向量中非0的元素的个数
* 研究难点:直接求解该问题需要筛选出稀疏向量x=Ψs中所有可能的非零元素——>此方法是不可跟踪或NP-hard的,因为搜索空间过大
* *问题转化的关键*:当RIP条件满足时,非凸的L0范数最小化问题和L1范数最小化问题等价
### 压缩感知过程
**1. 稀疏表示**
找到一个基或者过完备的字典Ψ,使得X在Ψ域是稀疏的
$X=ΨY$
因为是规范正交基所以实现变换系数也就是压缩信号: $\boldsymbol{Y} = \boldsymbol{\Psi}^T \boldsymbol{X}$,其中 $\boldsymbol{Y}$ 是 $\boldsymbol{X}$ 的等价或逼近的稀疏表示
**2. 投影测量(测量过程)**
观测矩阵 $\boldsymbol{\Phi} \in \mathbb{R}^{M\times N}$ ,观测矩阵也叫测量矩阵,感知矩阵,实现的功能是对信号进行降维和压缩
$\boldsymbol{A} = \boldsymbol{\Phi}\boldsymbol{X}$
同时也是对在$\boldsymbol{\Psi}$域上的稀疏投影$\boldsymbol{Y}$进行投影测量
$\boldsymbol{A} = \boldsymbol{\Phi}\boldsymbol{\Psi} \boldsymbol{Y}$
矩阵 $\boldsymbol{\Phi}$需要满足的性质(需要保证稀疏向量 $\boldsymbol{Y}$从N 维降到 K 维时重要信息不被破坏。)——*RIP有限等距性*
- ***RIP有限等距性***
由于信号在稀疏域$\boldsymbol{\Psi}$上是K稀疏,如果上式中的观测矩阵$\boldsymbol{\Phi}$满足有限等距性质,则稀疏域上较少的非零系数就能够从M个测量值准确重构(得到一个最优解)。
$$\min \left\|| \boldsymbol{\Psi}^{T} \boldsymbol{X}\right\||_{0} s.t. \boldsymbol{\Theta} \boldsymbol{X}=\boldsymbol{\Phi}\boldsymbol{\Psi}\boldsymbol{X}= \boldsymbol{A}$$
**1) RIP条件的数学表达**
定义$\boldsymbol{Y}$为K 稀疏,若存在满足下面不等式的$\delta_{k}$
$$\left(1-\delta_{k}\right)\|\boldsymbol{Y}\|_{2}^{2} \leq\|\boldsymbol{\Phi} \boldsymbol{Y}\|_{2}^{2} \leq\left(1+\delta_{k}\right)\|\boldsymbol{Y}\|_{2}^{2}$$
$\delta_{k}<1$,则测量矩阵$\boldsymbol{\Phi}$满足K阶RIP条件
**2) RIP的等价条件**
要确认一个矩阵是否满足RIP非常复杂。于是Baraniuk证明:RIP的等价条件是观测矩阵$\boldsymbol{\Phi}$和稀疏表示基$\boldsymbol{\Psi}$不相关(incoherent)。
*-矩阵不相关的数学表示*
$A=ΦX=ΦΨY$
要求$\boldsymbol{\Phi} \stackrel{\text { 不相关 }}{\longleftrightarrow} \boldsymbol{\Psi}$
相关性的定义: $\mu(\boldsymbol{\Phi}, \boldsymbol{\Psi})=\sqrt{n} \cdot \max _{1 \leq k, j \leq n}\left|\left\langle \boldsymbol{\phi}_{k}, \boldsymbol{\psi}_{j}\right\rangle\right|$
$mu$的范围 : $\mu(\boldsymbol{\Phi}, \boldsymbol{\Psi}) \in[1, \sqrt{n}]$
$\mu$越小,$\boldsymbol{\Phi}$和$\boldsymbol{\Psi}$越不相关
|
|