信号压缩与重构

‘壹’ 急：请问一幅一维信号本身有很多0值，通过压缩感知信号重构后是0值少了还是直接没有0值了

压缩感知是以信号的稀疏度来达到精确恢复信号的目的的。信号本身有很多0值，满足了稀疏性，所以可以准确重构，重构后几乎和原信号一样。0值不会没有的。

‘贰’ 压缩感知信号重构前是不是得先产生信号

当然可以。
1. 将主信号端的波形设置为“方波”；
2. 将输出信号的幅度低电平设置为0V，高电平设置为3.3V（如果你要5V TTL就设置为5V)；
这样输出不就是TTL信号了，不过不知道你要输出什么样的信号，以上方法只能输出简单的时钟，或通过任意波的方式输出某种码型的周期数字信号。Agilent的信号发生器支持伪随机码输出，基本可以认为是非周期的。

‘叁’ 对信号进行小波变换后得到的系数是什么用小波变换进行信号压缩的原理是什么

小h波变换和去噪通俗的讲就是剥大a蒜的过程，也y就是不e断的分6层，使得信号拆分6成各种频段（根据采用频率而定），而这一e过程要用到低通滤波器和高通滤波器，而小m波去噪就是在高频部分5（因为2通常白噪声出现在高频部分8）改变数字量，运用一w些算法去除一w些混有噪声的数字，然后再运用重构低通滤波器和高通滤波器把刚刚分5层的频段加起来，差不u多就是拼凑大a蒜的过程吧。 如何改变高频系数（也r就是去除噪声）具体算法如下m： 2。软门u限和硬门t限所谓门d限法,就是选择一p个j门n限,然后利用这个i门z限对小l波变换后的离散细节信号和离散逼近信号进行处理。硬门n限可以3描述为8：当数据的绝对值小t于x给定的门e限时,令其为4零,而数据为5其他值时不t变。软门i限可以1描述为2:当数据的绝对值小x于u给定的门d限时,令其为1零,然后把其他数据点向零收缩。 3。门e限选择的准则及q其算法根据现有的文7献,对于m被高斯白噪声污染的信号基本噪声模型, 一k般地, 选择门i限的准则如下p: 5． 无b偏风5险估计7准则。对应于f每一q个y门p限值, 求出与g其对应的风4险值, 使风2险最小m的门b限就是我们所要选取的门c限，其具体算法为7: (a) 把待估计2的矢量中5的元g素取绝对值, 由小i到大s排序, 然后将各个z元t素平方5, 得到新的待估计0矢量N V ,其长7度为6原待估计4矢量的长0度n。 (b) 对应每一v个t元l素下p标(即元o素的序号) k ,若取门l限为0待估计3矢量的第k 个c元h素的平方6根,则风5险算法为1: (1) 固定门s限准则。 利用固定形式的门u限,可取得较好的去噪特性。设n 为1待估计5矢量的长6度,取长0度3 倍的常用对数的平方8根为0门n限。 (7) 极小p极大w准则。本准则采用固定门f限获得理想过程的极小z极大e特性。 极小j极大o原理是在统计7学中8为4设计2估计8量而采用的,由于s去噪信号可以6假设为7未知回归函数的估计4量,则极小y极大m估计7量是实现在最坏条件下f最大c均方4误差最小q的任选量。 (3) 混合准则。 它是无j偏风7险估计8和固定门h限准则的混合 2011-10-27 7:09:53

‘肆’ 局部哈达玛矩阵能实现对信号的压缩吗

针对现有测量矩阵的优缺点,采用具有良好相关性、随机独立性及快速计算的局部随机化哈达玛矩阵作为测量矩阵,同时针对标准正交匹配追踪算法在测量过程中受扰或在稀疏信号情况下难以稳定精确重构问题,提出了一种基于局部随机化哈达玛矩阵的正交多匹配追踪算法。该算法利用局部随机化哈达玛矩阵的结构特性,能够快速精确重构原信号。仿真结果表明,测量过程中存在噪声或无噪,无论处理一维信号还是二维图像信号时,该算法性能均超过同类其他贪婪算法和凸优化基匹配法

‘伍’ 常见的压缩技术有哪两种它们的主要特点是什么

数据压缩可分成两种类型，一种叫做无损压缩，另一种叫做有损压缩。
无损压缩是指使用压缩后的数据进行重构(或者叫做还原，解压缩)，重构后的数据与原来的数据完全相同；无损压缩用于要求重构的信号与原始信号完全一致的场合。一个很常见的例子是磁盘文件的压缩。根据目前的技术水平，无损压缩算法一般可以把普通文件的数据压缩到原来的1/2～1/4。一些常用的无损压缩算法有霍夫曼(Huffman)算法和LZW(Lenpel-Ziv & Welch)压缩算法。
有损压缩是指使用压缩后的数据进行重构，重构后的数据与原来的数据有所不同，但不影响人对原始资料表达的信息造成误解。有损压缩适用于重构信号不一定非要和原始信号完全相同的场合。例如，图像和声音的压缩就可以采用有损压缩，因为其中包含的数据往往多于我们的视觉系统和听觉系统所能接收的信息，丢掉一些数据而不至于对声音或者图像所表达的意思产生误解，但可大大提高压缩比。

‘陆’ 信号降噪和压缩有什么区别

信号和噪声的传播特性是不同的，根据这个特性可以剔除噪声，然后恢复信号，达到去噪的效果。具体的有很多种方法，目前流行最多的是阈值法，即是认为在众多的小波系数中，信号对应的小波系数含有信号的重要信息，其幅度值较大，数目少，而噪声对应的小波系数是一致分布的，个数较多，切幅值小。故采用阈值法，设置一个阈值，把绝对值较小的系数去除，留下较大的系数重构信号，从而达到去噪的效果。这个方法的难处就在于阈值的选取，需要事先估计噪声方差。
而小波变换的信号压缩，就是在保证能够重构信号质量的前提下，去除图像中的各种冗余，以尽量少的比特数来表征信号。其目的在于减少数据存储空间、提高传输速率。
通过上面的分析，不难看出，其实小波变换的压缩和去噪，都是一个对小波系数的取舍过程，但是其阈值的选取，目的，效果肯定是不同的

‘柒’ 压缩传感的原理

核心思想是将压缩与采样合并进行，首先采集信号的非自适应线性投影 (测量值)，然后根据相应重构算法由测量值重构原始信号。压缩传感的优点在于信号的投影测量数据量远远小于传统采样方法所获的数据量，突破了香农采样定理的瓶颈，使得高分辨率信号的采集成为可能。
信号的稀疏表示就是将信号投影到正交变换基时，绝大部分变换系数的绝对值很小，所得到的变换向量是稀疏或者近似稀疏的，以将其看作原始信号的一种简洁表达，这是压缩传感的先验条件，即信号必须在某种变换下可以稀疏表示。 通常变换基可以根据信号本身的特点灵活选取， 常用的有离散余弦变换基、快速傅里叶变换基、离散小波变换基、Curvelet基、Gabor 基 以及冗余字典等。 在编码测量中， 首先选择稳定的投影矩阵，为了确保信号的线性投影能够保持信号的原始结构， 投影矩阵必须满足约束等距性 (Restricted isometry property, RIP)条件， 然后通过原始信号与测量矩阵的乘积获得原始信号的线性投影测量。最后，运用重构算法由测量值及投影矩阵重构原始信号。信号重构过程一般转换为一个最小L0范数的优化问题，求解方法主要有最小L1 范数法、匹配追踪系列算法、最小全变分方法、迭代阈值算法等。
采样定理（又称取样定理、抽样定理）是采样带限信号过程所遵循的规律，1928年由美国电信工程师H.奈奎斯特首先提出来的，因此称为奈奎斯特采样定理。1948年信息论的创始人C.E.香农对这一定理加以明确说明并正式作为定理引用，因此在许多文献中又称为香农采样定理。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等，即：采样率不小于最高频率的两倍(该采样率称作Nyquist采样率)。该理论指导下的信息获取、存储、融合、处理及传输等成为信息领域进一步发展的主要瓶颈之一，主要表现在两个方面：
(1)数据获取和处理方面。对于单个(幅)信号/图像，在许多实际应用中(例如，超宽带通信，超宽带信号处理，THz成像，核磁共振，空间探测，等等）， Nyquist采样硬件成本昂贵、获取效率低下，在某些情况甚至无法实现。为突破Nyquist采样定理的限制，已发展了一些理论，其中典型的例子为Landau理论， Papoulis等的非均匀采样理论，M. Vetterli等的 finite rate of innovation信号采样理论，等。对于多道(或多模式)数据(例如，传感器网络，波束合成，无线通信，空间探测，等)，硬件成本昂贵、信息冗余及有效信息提取的效率低下，等等。
(2)数据存储和传输方面。通常的做法是先按照Nyquist方式获取数据，然后将获得的数据进行压缩，最后将压缩后的数据进行存储或传输，显然，这样的方式造成很大程度的资源浪费。另外，为保证信息的安全传输，通常的加密技术是用某种方式对信号进行编码，这给信息的安全传输和接受带来一定程度的麻烦。
综上所述：Nyquist-Shannon理论并不是唯一、最优的采样理论，研究如何突破以Nyquist-Shannon采样理论为支撑的信息获取、处理、融合、存储及传输等的方式是推动信息领域进一步往前发展的关键。众所周知：(1)Nyquist采样率是信号精确复原的充分条件，但绝不是必要条件。(2)除带宽可作为先验信息外，实际应用中的大多数信号/图像中拥有大量的structure。由贝叶斯理论可知：利用该structure信息可大大降低数据采集量。(3) Johnson-Lindenstrauss理论表明：以overwhelming性概率，K+1次测量足以精确复原N维空间的K-稀疏信号。
由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者，2008年被评为世界上最聪明的科学家)等人提出了一种新的信息获取指导理论，即，压缩感知或压缩传感（Compressive Sensing(CS) or Compressed Sensing、Compressed Sampling）。该理论指出：对可压缩的信号可通过远低于Nyquist标准的方式进行采样数据，仍能够精确地恢复出原始信号。该理论一经提出，就在信息论、信号/图像处理、医疗成像、模式识别、地质勘探、光学/雷达成像、无线通信等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。CS理论的研究尚属于起步阶段，但已表现出了强大的生命力，并已发展了分布CS理论(Baron等提出)，1-BIT CS理论(Baraniuk等提出)，Bayesian CS理论(Carin等提出)，无限维CS理论(Elad等提出)，变形CS理论(Meyer等提出)，等等，已成为数学领域和工程应用领域的一大研究热点。

‘捌’ 数据压缩技术一般分哪两种各有什么特点

数据压缩可分成两种类型，一种叫做无损压缩，另一种叫做有损压缩。
无损压缩是指使用压缩后的数据进行重构(或者叫做还原，解压缩)，重构后的数据与原来的数据完全相同；无损压缩用于要求重构的信号与原始信号完全一致的场合。一个很常见的例子是磁盘文件的压缩。根据目前的技术水平，无损压缩算法一般可以把普通文件的数据压缩到原来的1/2～1/4。一些常用的无损压缩算法有霍夫曼(Huffman)算法和LZW(Lenpel-Ziv & Welch)压缩算法。
有损压缩是指使用压缩后的数据进行重构，重构后的数据与原来的数据有所不同，但不影响人对原始资料表达的信息造成误解。有损压缩适用于重构信号不一定非要和原始信号完全相同的场合。例如，图像和声音的压缩就可以采用有损压缩，因为其中包含的数据往往多于我们的视觉系统和听觉系统所能接收的信息，丢掉一些数据而不至于对声音或者图像所表达的意思产生误解，但可大大提高压缩比。

‘玖’ 有人在学压缩感知吗谁知道怎么用0范数或者L1范数最小化重构原始信号或者给我文献也行

用0范数或1范数解决cs重构归属一个数学问题，犹如给定你一个公式，利用这个公式或者说原理去做出很多的算法，cs重构本归属与对0范数的求解问题上的。
但0范数属于数学上一个NP_hard问题，是无法解决的，所以不能直接用求0范数的理论去做算法，从而提出一系列基于求0范数最小的贪婪类算法。如MP,OMP等算法。，这类算法中，最为基础的算是MP算法了。贪婪算法的速度较快，但是重构效果相对较差，需要的测量数也较多，不能高效地压缩信号，并且对测量矩阵的要求更高。但总的来说，应用范围广。
数学家同时发现，求解L1范数也可以逼近与0范数的效果，即把NP_hard问题转化为线性规划问题。所以现在有很多用求L1范数原理而创造了各类算法，最典型的是BP（基追踪）算法和梯度投影稀疏重构算法。这种算法重构效果很好，但是运算量大，复杂，应用于实际上可能不大。至少得改进其算法。
还有一大类算法，我不关注，不说了。
具体那些算法怎么实现，自己去网上下程序仿真一下吧。。。。

‘拾’ 数据压缩

数据压缩技术主要研究数据的表示、传输和转换方法，目的是减少数据所占据的存储空间和缩短数据传输时所需要的时间。

衡量数据压缩的3个主要指标：一是压缩前后所需的信息存储量之比要大；二是实现压缩的算法要简单，压缩、解压缩速度快，要尽可能做到实时压缩和解压缩；三是恢复效果要好，要尽可能完全恢复原始数据。

数据压缩主要应用于两个方面。一是传输：通过压缩发送端的原始数据，并在接收端进行解压恢复，可以有效地减少传输时间和增加信道带宽。二是存储：在存储时压缩原始数据，在使用时进行解压，可大大提高存储介质的存储量。

数据压缩按照压缩的失真度分成两种类型：一种叫作无损压缩，另一种叫作有损压缩。

无损压缩是指使用压缩后的数据进行重构（或者叫作还原、解压缩），重构后的数据与原来的数据完全相同；无损压缩用于要求重构的信号与原始信号完全一致的场合。一个很常见的例子是磁盘文件的压缩。根据目前的技术水平，无损压缩算法一般可以把普通文件的数据压缩到原来的1/4～1/2。一些常用的无损压缩算法有霍夫曼（Huffman）算法、算术算法、游程算法和LZW（Lenpel-Ziv ＆ Welch）压缩算法。

1）霍夫曼算法属于统计式压缩方法，其原理是根据原始数据符号发生的概率进行编码。在原始数据中出现概率越高的符合，相应的码长越短，出现概率越少的符合，其码长越长。从而达到用尽可能少的符号来表示原始数据，实现对数据的压缩。

2）算术算法是基于统计原理，无损压缩效率最高的算法。即将整段要压缩的数据映射到一段实数半封闭的范围［0，1）内的某一区段。该区段的范围或宽度等于该段信息概率。即是所有使用在该信息内的符号出现概率全部相乘后的概率值。当要被编码的信息越来越长时，用来代表该信息的区段就会越来越窄，用来表示这个区段的位就会增加。

3）游程算法是针对一些文本数据特点所设计的压缩方法。主要是去除文本中的冗余字符或字节中的冗余位，从而达到减少数据文件所占的存储空间。压缩处理流程类似于空白压缩，区别是在压缩指示字符之后加上一个字符，用于表明压缩对象，随后是该字符的重复次数。本算法具有局限性，很少单独使用，多与其他算法配合使用。

4）LZW算法的原理是用字典词条的编码代替在压缩数据中的字符串。因此字典中的词条越多，压缩率越高，加大字典的容量可以提高压缩率。字典的容量受计算机的内存限制。

有损压缩是指使用压缩后的数据进行重构，重构后的数据与原来的数据有所不同，但不影响人对原始资料表达的信息造成误解。有损压缩适用于重构信号不一定非要和原始信号完全相同的场合。例如，图像和声音的压缩就可以采用有损压缩，因为其中包含的数据往往多于我们的视觉系统和听觉系统所能接收的信息，丢掉一些数据而不至于对声音或者图像所表达的意思产生误解，但可大大提高压缩比。