5.1. 简介

• 线性压缩感知 ( Linear Compressive Sensing, LCS)

• 非线性压缩感知 ( Nonlinear Compressive Sensing, NCS)

• 可学习压缩感知 ( Learned Compressive Sensing, LCS)

警告

需要注意的是, 在压缩感知中, 当信号不稀疏时, 假设信号在某一字典基 \(D\) 下可被稀疏表示, 组成新的观测矩阵 \({\bm \Phi} = {\bf A}{\bf D}\) , 通过恢复稀疏系数进而恢复非稀疏信号. 这里并不要求在压缩观测时需要先进行稀疏表示(假设某种硬件可以完成稀疏表示), 再进行压缩观测, 而是仍然以 \(\bf A\) 为观测矩阵, 只是在稀疏求解时引入稀疏表示矩阵. 如果在观测时, 先对稀疏表示, 再进行观测, 并且在恢复时使用 \({\bm \Phi}\) 作为观测矩阵, 效果并不如前者好. 这些可以通过实验验证.

• Compressive Sensing Resources : resources and softwares