“压缩感知” 之 “Hello World”
来源:互联网 发布:淘宝开网店的保证金 编辑:程序博客网 时间:2024/06/10 03:59
上一篇《压缩感知进阶——有关稀疏矩阵》中我们已经讲过了压缩感知原理、应用领域、可行性以及恢复信号机制,后面有朋友陆续反应希望有一个CS版Helloworld,这里我就借用香港大学沙威大牛的一个程序在代码层面对CS做一讲解。
Keywords: 压缩感知 compressive sensing, 稀疏(Sparsity)、不相关(Incoherence)、随机性(Randomness)
先给出Code:
- % 1-D信号压缩传感的实现(正交匹配追踪法Orthogonal Matching Pursuit)
- % 测量数M>=K*log(N/K),K是稀疏度,N信号长度,可以近乎完全重构
- % 编程人--香港大学电子工程系 沙威 Email: wsha@eee.hku.hk
- % 编程时间:2008年11月18日
- % 文档下载: http://www.eee.hku.hk/~wsha/Freecode/freecode.htm
- % 参考文献:Joel A. Tropp and Anna C. Gilbert
- % Signal Recovery From Random Measurements Via Orthogonal Matching
- % Pursuit,IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,
- % DECEMBER 2007.
- clc;clear
- %% 1. 时域测试信号生成
- K=7; % 稀疏度(做FFT可以看出来)
- N=256; % 信号长度
- M=64; % 测量数(M>=K*log(N/K),至少40,但有出错的概率)
- f1=50; % 信号频率1
- f2=100; % 信号频率2
- f3=200; % 信号频率3
- f4=400; % 信号频率4
- fs=800; % 采样频率
- ts=1/fs; % 采样间隔
- Ts=1:N; % 采样序列
- x=0.3*cos(2*pi*f1*Ts*ts)+0.6*cos(2*pi*f2*Ts*ts)+0.1*cos(2*pi*f3*Ts*ts)+0.9*cos(2*pi*f4*Ts*ts); % 完整信号,由4个信号叠加而来
- %% 2. 时域信号压缩传感
- Phi=randn(M,N); % 测量矩阵(高斯分布白噪声)64*256的扁矩阵,Phi也就是文中说的D矩阵
- s=Phi*x.'; % 获得线性测量 ,s相当于文中的y矩阵
- %% 3. 正交匹配追踪法重构信号(本质上是L_1范数最优化问题)
- %匹配追踪:找到一个其标记看上去与收集到的数据相关的小波;在数据中去除这个标记的所有印迹;不断重复直到我们能用小波标记“解释”收集到的所有数据。
- m=2*K; % 算法迭代次数(m>=K),设x是K-sparse的
- Psi=fft(eye(N,N))/sqrt(N); % 傅里叶正变换矩阵
- T=Phi*Psi'; % 恢复矩阵(测量矩阵*正交反变换矩阵)
- hat_y=zeros(1,N); % 待重构的谱域(变换域)向量
- Aug_t=[]; % 增量矩阵(初始值为空矩阵)
- r_n=s; % 残差值
- for times=1:m; % 迭代次数(有噪声的情况下,该迭代次数为K)
- for col=1:N; % 恢复矩阵的所有列向量
- product(col)=abs(T(:,col)'*r_n); % 恢复矩阵的列向量和残差的投影系数(内积值)
- end
- [val,pos]=max(product); % 最大投影系数对应的位置,即找到一个其标记看上去与收集到的数据相关的小波
- Aug_t=[Aug_t,T(:,pos)]; % 矩阵扩充
- T(:,pos)=zeros(M,1); % 选中的列置零(实质上应该去掉,为了简单我把它置零),在数据中去除这个标记的所有印迹
- aug_y=(Aug_t'*Aug_t)^(-1)*Aug_t'*s; % 最小二乘,使残差最小
- r_n=s-Aug_t*aug_y; % 残差
- pos_array(times)=pos; % 纪录最大投影系数的位置
- end
- hat_y(pos_array)=aug_y; % 重构的谱域向量
- hat_x=real(Psi'*hat_y.'); % 做逆傅里叶变换重构得到时域信号
- %% 4. 恢复信号和原始信号对比
- figure(1);
- hold on;
- plot(hat_x,'k.-') % 重建信号
- plot(x,'r') % 原始信号
- legend('Recovery','Original')
- norm(hat_x.'-x)/norm(x) % 重构误差
程序运行结果:
其中红色是原信号,黑色是恢复后的信号,可见利用压缩感知的恢复情况非常好。
具体讲解和原理我在下面写了,由于csdn中公式真心不好写,我只能用手写了,请大家见谅。
关于压缩感知的原理请详见上一篇文章《压缩感知进阶——有关稀疏矩阵》和《初始压缩感知——Compressive Sensing》。
转载自:http://blog.csdn.net/abcjennifer/article/details/7775284
- “压缩感知” 之 “Hello World”
- “压缩感知” 之 “Hello World”
- “压缩感知” 之 “Hello World”
- “压缩感知” 之 “Hello World”(转)
- 压缩感知“Hello World”代码初步学习
- Hello World感知机,懂你我心才安息 (深度学习入门系列之五)
- hibernate之Hello world
- Spring之Hello World
- Lucene之Hello world
- DWR之HELLO world
- JNI 之 hello world
- ISAPI之Hello world
- Spring之Hello World
- ACE之hello world
- Hello,world之Erlang
- DWR之 Hello world
- android之Hello World!
- Android之Hello World
- Android获取获取程序的大小,缓存的大小
- Android双击返回键退出Activity
- B树、B-树、B+树、B*树
- jquery的hide一个元素,需要注意的问题(offset)
- OpenCV在ARM平台上的移植
- “压缩感知” 之 “Hello World”
- UVa 11212 Editing a Book
- IAR包含项目路径设置
- poj图论
- mini2440上一步步实现将ADS工程移植到keil MDK(附移植好的完整代码)
- CGI程序介绍
- Mahout运行Kmeans
- ExtJs 滚动条问题
- LA 3618 Cubic Eight-Puzzle