压缩感知 - 不连贯性

信息处理 信号分析 相关性 压缩传感
2022-02-03 21:47:38

压缩感知建立在 2 个属性之上:1) 表示基础相对于采样基础的稀疏性,以及 2) a) 中 2 个基础中的每一个的奇异向量之间的不相干性。从表面上看,这对我来说似乎很好,但他“不连贯”的关系让我有点困惑。

一些文本指的是基础(表示、采样)之间的连贯性,而另一些则指的是每个基础和标准基础(e1、e2、e3 ...)之间的一致性。

这两种说法有区别吗?

“我们可以说明我们的主要结果:如果矩阵的行和列空间与标准基不一致,那么核范数最小化可以从少量条目的随机抽样中恢复该矩阵。”

第 6 页:http ://statweb.stanford.edu/~candes/papers/MatrixCompletion.pdf

“非相干采样......感知基础和表示基础之间的一致性”。第 3 页: http: //authors.library.caltech.edu/10092/1/CANieeespm08.pdf

我的问题与这个问题有关: https ://dsp.stackexchange.com/a/13017/4038

2个回答

我试图在这里回答你关于不连贯的问题,而不是更新我之前对你另一个问题的回答。

压缩传感需要低相干对。所以较低μ(Φ,Ψ), 更好。其实是Φ是尖峰基(恒等矩阵)ϕk(t)=δ(tk), 和Ψ是傅里叶基ψj(t)=1/nei2πjt/n,这只是我在另一个问题中向您展示的示例,μ(Φ,Ψ)=1,并且达到了最大的不连贯性。如果您应用从 SVD 获得的尖峰基和正交基,则类似。

其他相干性包括但不限于:noiselets 和 Haar 小波之间的相干性是2; Noiselets 和 Baubechies D4 和 D8 之间的相干性是2.22.9, 分别; 随机矩阵在很大程度上与任何固定基不相干Ψ.

有关非相干采样的更多详细信息,您可以参考Candes-Romberg 定理

由于声誉低,我无法添加评论。我认为您误解了@lennon310 的含义。我在链接中查看了他的答案,他将 Phi 视为行选择矩阵。@lennon310,请考虑更改您的单词“矩形标识”。我知道你的意思,但这不称为单位矩阵。Phi(在他的上下文中)类似于

0 1 0 0 0 0
   0 0 0 0 1 0
   1 0 0 0 0 0
   ....

每行中只有一个元素值为 1,就像您选择 Psi 行一样。