數(shù)據(jù)壓縮技術(shù)無(wú)處不在,信號(hào)之所以能夠被壓縮是因?yàn)樾盘?hào)本身具有很大的冗余性。"壓縮感知"顧名思義,就是在感知/采樣的過(guò)程中,自動(dòng)剔除數(shù)據(jù)的冗余性,直接獲取壓縮版本的數(shù)據(jù),不僅節(jié)省數(shù)據(jù)采集過(guò)程的成本,還能節(jié)省空間,極大地提高了采樣效率。壓縮感知理論指出稀疏的或具有稀疏表達(dá)的有限維數(shù)的信號(hào)可以利用遠(yuǎn)少于奈奎斯特采樣數(shù)量的線(xiàn)性、非自適應(yīng)的測(cè)量值無(wú)失真地重建出來(lái)。《壓縮感知淺析》系統(tǒng)性地介紹了壓縮感知的來(lái)世今生,深入淺出地介紹了壓縮感知的理論基礎(chǔ)和構(gòu)成壓縮感知框架所需的基本要素,例如,稀疏性、采樣矩陣的約束等距特性和基于L1范數(shù)*小化的稀疏信號(hào)重建,同時(shí)有代表性地介紹了壓縮感知在諸多領(lǐng)域中帶來(lái)的革新和機(jī)遇。
高等院校電子學(xué)、通信技術(shù)等專(zhuān)業(yè)的碩士研究生和高年級(jí)本科生
前言
第1章 緒論
參考文獻(xiàn)
第2章 稀疏信號(hào)和可壓縮信號(hào)模型
2.1 矢量空間簡(jiǎn)介
2.2 基和框架
2.3 稀疏性表達(dá)
2.3.1 一維信號(hào)模型
2.3.2 二維信號(hào)模型
2.4 可壓縮信號(hào)
參考文獻(xiàn)
第3章 采樣矩陣
3.1 壓縮感知的數(shù)學(xué)模型
3.2 零空間條件
3.2.1 斯巴克
3.2.2 零空間特性
3.3 約束等距性質(zhì)
3.3.1 約束等距特性和穩(wěn)定性
3.3.2 測(cè)量邊界
3.4 約束等距特性和零空間特性
3.5 滿(mǎn)足約束等距特性的矩陣
3.6 非相關(guān)性
參考文獻(xiàn)
第4章 壓縮感知的重建
4.1 基于l1范數(shù)最小化的稀疏信號(hào)重建
4.2 無(wú)噪聲信號(hào)重建
4.3 有噪信號(hào)重建
4.3.1 邊界噪聲污染信號(hào)的重建
4.3.2 高斯噪聲污染信號(hào)的重建
4.4 測(cè)量矩陣的校準(zhǔn)
4.4.1 問(wèn)題描述
4.4.2 非監(jiān)督校準(zhǔn)
4.4.3 仿真數(shù)據(jù)生成
4.4.4 仿真結(jié)果
參考文獻(xiàn)
第5章 稀疏信號(hào)重建算法
5.1 稀疏信號(hào)重建算法
5.2 基于凸優(yōu)化類(lèi)算法
5.2.1 問(wèn)題描述
5.2.2 線(xiàn)性規(guī)劃
5.2.3 收縮循環(huán)迭代法
5.2.4 Bregman循環(huán)迭代法
5.3 貪婪算法
5.3.1 問(wèn)題描述
5.3.2 匹配跟蹤算法
5.3.3 正交匹配跟蹤算法
5.3.4 逐步正交匹配跟蹤算法
5.3.5 壓縮感知匹配跟蹤算法
5.3.6 正則化正交匹配追蹤算法
5.3.7 循環(huán)硬門(mén)限法
5.3.8 子空間追蹤算法
5.4 組合算法
5.4.1 問(wèn)題描述
5.4.2 計(jì)數(shù)一最小略圖法
5.4.3 計(jì)數(shù)中值略圖法
5.5 貝葉斯方法
5.5.1 問(wèn)題描述
5.5.2 基于信任擴(kuò)散的稀疏重建方法
5.5.3 稀疏貝葉斯學(xué)習(xí)
5.5.4 貝葉斯壓縮感知
參考文獻(xiàn)
第6章 稀疏編碼與字典學(xué)習(xí)
6.1 字典學(xué)習(xí)與矩陣分解
6.2 非負(fù)矩陣分解
6.3 端元提取
6.4 稀疏編碼
6.4.1 最優(yōu)方向法
6.4.2 K-SVD
參考文獻(xiàn)
第7章 壓縮感知的應(yīng)用
7.1 基于壓縮感知的單像素相機(jī)
7.2 壓縮感知在激光雷達(dá)中的應(yīng)用
7.3 壓縮感知在模擬數(shù)字轉(zhuǎn)換器中的應(yīng)用
7.4 壓縮感知在射電天文中的應(yīng)用
7.4.1 去卷積
7.4.2 多頻率合成
7.5 壓縮感知在基因檢測(cè)器中的應(yīng)用
7.6 壓縮感知在其他方面的應(yīng)用
7.6.1 稀疏誤差糾錯(cuò)
7.6.2 壓縮感知在星載天文望遠(yuǎn)鏡HERSCHEL中的應(yīng)用
參考文獻(xiàn)
附錄A 壓縮感知實(shí)例
參考文獻(xiàn)
附錄B Lenna圖像趣聞
參考文獻(xiàn)
后記
參考文獻(xiàn)