【 压缩感知 】OMP恢复算法
【摘要】
一个经典的Matlab程序:
clcclearclose all % 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 % input signal x % measurement vector s % 待重构的谱域...
一个经典的Matlab程序:
-
clc
-
clear
-
close all
-
-
% 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
-
% input signal x
-
% measurement vector s
-
% 待重构的谱域(变换域)向量hat_y
-
% 重构得到时域信号hat_x
-
-
-
-
%% 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
-
s=Phi*x.'; % 获得线性测量
-
-
%% 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,初始化
-
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)
恢复结果:
文章来源: reborn.blog.csdn.net,作者:李锐博恩,版权归原作者所有,如需转载,请联系作者。
原文链接:reborn.blog.csdn.net/article/details/83148517
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)