压缩感测(CS)的初始假设是基础信号在某种基础上是稀疏的,例如,对于$ s $稀疏信号,存在最大非零傅立叶系数。现实生活中的经验确实表明,所考虑的信号通常是稀疏的。她的能力,是否有办法说明其稀疏性,以及它是否首先适合压缩感知?

或者,是否还有其他稀疏性的稀疏特征可以快速告诉我们CS是否有用。可以轻易地看出,发送方可以完全按照接收方随机选择的一组测量来执行接收方的操作,然后尝试找出答案。但是,有没有其他方法可以解决这个问题呢?

我的怀疑是必须研究类似的东西,但我找不到很好的指针。几周前,但没有得到任何答案。因此是交叉岗位。

评论

从理论上讲,我不知道有什么稀疏措施。 (实际上,有一些对象称为稀疏度度量,但是我不了解如何使用它们来度量稀疏度水平,或者是否可以使用它们)。但是,一种简单的度量可能是系数的直方图。直方图可以告诉您信号足够稀疏(大多数为零),或分布的间隔很宽。

我想知道Kolmogorov的复杂性是否相关?可能相关:压缩感知的简单性,信息复杂性和估计

#1 楼

确实,有一些方法可以在采集设备上估计稀疏性或信息内容。这样做的细节,实用性和实际用途值得商de,并且在很大程度上取决于其应用的环境。在成像的情况下,可以在预定的基础上确定或多或少可压缩的图像区域。例如,参见Yu等人的“基于显着性的图像信号压缩采样”。在这种情况下,对采集设备提出的额外复杂性要求会带来边际收益。

关于您在采集时确定给定信号的有用性方面做出决定的问题:如果有问题的信号符合
先验已知的任何一种模型,则可以进行压缩传感。准确的恢复
仅取决于所进行的测量的次数与采样信号对模型的粘附程度之间的比率。如果模型不好,那么您将无法过渡到过渡阶段。如果它是一个好的模型,那么您将能够计算出原始信号的准确
重构。此外,压缩感测通常在将来可以证明。如果您对信号进行的给定测量数量不足以使用您今天拥有的模型准确地恢复原始信号,那么明天仍然可以设计出更好的模型,这些
测量结果足以准确恢复。

附加说明(编辑):
您的问题中提到的获取方法听起来很接近自适应压缩感知,因此我认为以下内容可能对该问题的读者感兴趣。 Arias-Castro,Candes和Davenport的最新结果表明,从理论上讲,自适应测量策略无法比非自适应(即盲目)压缩传感技术提供任何明显的收益。我请读者参考他们的工作,“关于自适应传感的基本极限”,该工作将很快出现在ITIT中。

#2 楼

一种实用的方法是通过选择一些字典来检查您感兴趣的信号,以判断它们中的任何一个是否稀疏。您实际上不必执行接收器将要执行的操作,即压缩和重建信号,以查看该信号在特定词典中是否稀疏。您可以对其应用线性变换,并检查变换后的向量是否稀疏。如果是这样,逆变换就是您的字典。稀疏是指计算向量中非零或不可忽略系数的数量。例如,计算信号的DFT。如果它的频域表示结果很稀疏(足够),则可以使用逆DFT作为字典。
如果变换是不可逆的,例如宽矩阵,那么变换就不那么简单了,



关于稀疏性的替代方法,endolith提到了一些尝试将“简单性”推广到不仅仅是稀疏性。另外,还有:


低秩:用于矩阵完成,这是压缩感知的一种矩阵概括。例如,参见通过凸优化的精确矩阵完成和Candès等人的新论文。它们的大多数条目是a或b,而其中的几(k)个介于两者之间。例如,这在Donoho&Tanner的“精确的欠采样定理”(示例3)中进行了描述。


#3 楼

Miles Lopes撰写的论文“在压缩传感中估计未知稀疏度”解决了通过一些线性测量来估计信号稀疏度的问题。请注意,他估计比率$ \ | x \ | _1 ^ 2 / \ | x \ | _2 ^ 2 $,这是稀疏性的下限。而且我认为您需要了解或修复稀疏性基础。