传感矩阵通过输入的线性加权求和将输入向量映射到测量向量。使特定矩阵良好的原因取决于应用程序。现在，这两种发行版都或多或少地满足 RIP。然而，伯努利矩阵（二进制或双极）的硬件实现要容易得多，尤其是在模拟域中。Bernoulli wight 是 0 或 1（或 -1/1 在极伯努利的情况下），但 Gaussian wight 是浮点数。数字或模拟浮点数的乘法是资源消耗，而伯努利怀特的乘法通过在模拟域中实现简单的开关或and数字指令是可行的。例如，考虑RMPI 模拟信息对模拟信号进行压缩采样，然后以数字方式重建信号的设备。在量化之前，应该应用传感矩阵，通过合并伯努利矩阵，乘法器被实现为简单开关。

我也认为，高斯矩阵比伯努利（尤其是二进制伯努利）具有更严格的 RIP。作为一个例子，假设我们有一个稀疏矩阵 ，并假设我们使用一个两行五列的随机矩阵来测量它。二元伯努利更有可能将非稀疏条目之一乘以零，因此错过了它在测量向量中的贡献。此外，只有 1,0 和 -1，矩阵行更有可能相似，因此出现更多的连贯性。$X=[0,1,0,2,0]^T$

虽然看起来不太实用，但在本文中，作者提出了一种用于应用高斯矩阵的模拟电路。