企业官网建设流程全解析

简介：压缩感知是一种利用信号稀疏先验信息、以远低于奈奎斯特采样率重构稀疏信号的革命性信号处理技术，这份资源面向信号处理、图像恢复等领域的初学者，提供一份可直接运行的MATLAB脚本。压缩包内仅包含1个MATLAB脚本文件，体积约577B，代码演示了从构建高斯随机测量矩阵、对原始信号进行压缩采样，到定义L1范数最小化重构问题、调用CVX工具箱求解，并计算重构误差的完整流程。已有3310人学习浏览，适合希望结合实例快速理解压缩感知原理、熟悉凸优化求解方法的读者。通过逐行研究脚本，可以清晰掌握稀疏基选取、测量矩阵设计、重构模型建立与结果评估等关键环节，并能根据实际需求修改参数或替换稀疏基，进一步观察不同条件下的重构效果，为在数据压缩、图像恢复等领域深入应用压缩感知打下坚实基础。

1. 压缩感知为什么能突破奈奎斯特采样率

第一次接触压缩感知，是我在一次高频信号采集实验里被采样率卡住的时候。ADC 采样率不够，硬件升级预算又很高，传统思路要么换更贵的器件，要么在模拟前端做变频搬移，效果都不理想。后来反复查资料才意识到：奈奎斯特定理是充分条件，根本不是必要条件。信号只要具备稀疏性，完全可以在远低于奈奎斯特率的采样点数下完成恢复，这正是压缩感知的核心价值。

1.1 奈奎斯特框架下被忽略的冗余

传统采样理论里，只要采样率高于信号最高频率的两倍，就能无失真重建信号。但这个结论隐含的大前提是整个频带都被充分占用，任何频点的能量都不可忽略。实际工程里根本不是这样：雷达回波中只有少量目标反射峰，通信信号在特定频点上集中，图像在 DCT 或小波域里大量系数趋近于零。这类信号的“有效自由度”远低于信号长度 N，也就意味着，用 N 个采样点去描述它，本质上是采集了大量冗余。

压缩感知做的事情，是直接绕过“先密集采样再压缩”的老路，用一个欠定观测系统把信号投影到 M 维空间，M 远小于 N，然后利用稀疏性从 M 个观测中恢复出 N 个原始值。第一次听肯定觉得不靠谱，毕竟线性代数课上讲得很明白，欠定方程要么无解要么无穷多解。但加上“信号稀疏”这个约束以后，数学上可以证明解是唯一的，这就是整个理论最反直觉也最有趣的地方。

1.2 三个核心要素：稀疏性、测量矩阵、恢复算法

压缩感知要落地，缺了三样东西都不行。

• 稀疏性：信号在某个变换基下可以近似表示为 K 个非零系数，且 K 远小于 N。这是前提，不满足稀疏性，后面一切免谈。
• 测量矩阵：用一个合适的矩阵把高维信号投影到低维观测，这个矩阵需要满足一定性质，保证投影过程不丢失关键信息。
• 恢复算法：从观测向量和测量矩阵出发，求解一个带有稀疏约束的优化问题，把原始信号从欠定方程里“拔”出来。

打个比方。一个漆黑的房间里只亮了 10 盏灯，你不知道总共有多少灯。传统采样相当于把所有灯泡逐个测一遍，压缩感知则在门口放几个传感器，根据光影分布直接判断哪几盏灯是亮的以及亮度是多少。前提是灯足够少，否则光线叠加在一起，谁也分不清。

1.3 RIP 条件和随机测量矩阵

测量矩阵的设计是工程里可调的那一环。理论分析最常用的结论是：如果测量矩阵满足受限等距性质，任意 K 稀疏信号的观测前后能量不会发生剧烈变化，恢复就有保障。直接构造一个严格满足 RIP 的矩阵很难，但一个高斯随机矩阵以极大概率具备该性质，这就是实际项目里几乎清一色选择随机矩阵的原因。

MATLAB 里生成测量矩阵只需要一行代码，就是Phi = randn(M, N) / sqrt(M)。除以sqrt(M)是让矩阵每列的期望范数归一，这样观测向量的能量水平与原始信号可比较，后面的数值运算才稳定。很多初学者直接randn(M,N)不除，恢复失败时到处找原因，其实问题很可能就出在这个归一化上。

2. 完整 MATLAB 实现：OMP 恢复流程逐段拆解

理论讲再多，不如一份能直接跑的代码。先说算法选型。压缩感知恢复算法分两类，一类是凸优化，解 L1 范数最小化，稳健但对新手不友好，通常需要 CVX 等工具箱；另一类是贪婪算法，最典型的就是 OMP，思路朴素，实现简单，效果在信号稀疏度明确时非常好。对第一次接触压缩感知的人来说，我强烈建议先把 OMP 吃透。

2.1 OMP 的核心思想

OMP 全称正交匹配追踪，思路非常直观：观测向量 y 是所有测量原子（测量矩阵的列）的线性组合。既然原始信号只有 K 个非零位置，那就一个一个把最相关的原子挑出来，挑完一个就用最小二乘更新残差，再根据残差选下一个原子。重复 K 次，支撑集就找到了。

整个过程像在排除嫌疑人：先根据线索锁定最可疑的一个，把它从案情里剔除后，剩下的线索再找下一个。每次选出来的原子都对解释观测有最大贡献，残差逐步缩小，直到剩余信息量低于阈值。

2.2 可直接运行的 OMP 恢复函数

先把 OMP 封装成函数文件myOMP.m，保存到工作路径下。

function x_hat = myOMP(Phi, y, K) % 用OMP算法从观测y中恢复K稀疏信号 % 输入: % Phi - M×N 测量矩阵 % y - M×1 观测向量 % K - 稀疏度, 即信号非零元素个数 % 输出: % x_hat - N×1 恢复信号 epsilon = 1e-6; % 残差停止阈值 [M, N] = size(Phi); x_hat = zeros(N, 1); r = y; % 初始化残差 Omega = []; % 支撑集, 记录被选中的原子索引 for t = 1:K corr = Phi' * r; % 每个原子与残差的相关性 corr(Omega) = 0; % 屏蔽已选原子, 防止重复 [~, idx] = max(abs(corr)); % 找最相关的原子索引 Omega = [Omega, idx]; % 加入支撑集 % 在支撑集上做最小二乘, 更新幅度值 s_ls = Phi(:, Omega) \ y; r = y - Phi(:, Omega) * s_ls; % 更新残差 if norm(r) < epsilon % 残差足够小就提前结束 break; end end x_hat(Omega) = Phi(:, Omega) \ y; % 最终最小二乘解 end

这里有几个关键点。corr = Phi' * r一次性计算所有原子与残差的内积，MATLAB 矩阵运算远比 for 循环高效。corr(Omega)=0是防止同一个原子被反复选中，否则循环会空转甚至死循环。每次选中新原子后，用支撑集上的最小二乘更新幅度，并立刻更新残差，这样下一步的相关性计算才能反映“剩余未解释”的信息。

2.3 完整演示脚本

接下来是主脚本，演示从信号生成到恢复的完整流程。

%% 压缩感知OMP恢复完整示例 clear; clc; close all; rng(42); % 固定随机种子, 保证结果可复现 %% 1. 生成K稀疏信号 N = 256; % 信号长度 K = 10; % 非零元素个数 x = zeros(N, 1); pos = randperm(N, K); % 随机选取非零位置 x(pos) = randn(K, 1); % 非零值服从标准正态分布 %% 2. 构造测量矩阵并生成观测 M = 64; % 观测数量, 约为4~6倍的K Phi = randn(M, N) / sqrt(M); y = Phi * x; % 无噪声观测 %% 3. OMP恢复 x_hat = myOMP(Phi, y, K); %% 4. 画图对比 figure('Position', [100 100 900 400]); subplot(1, 2, 1); stem(1:N, x, 'filled', 'MarkerSize', 4); title('原始稀疏信号'); xlabel('索引'); ylabel('幅值'); axis([1 N -2.5 2.5]); subplot(1, 2, 2); stem(1:N, x_hat, 'filled', 'MarkerSize', 4); title('OMP恢复信号'); xlabel('索引'); ylabel('幅值'); axis([1 N -2.5 2.5]); err = norm(x - x_hat) / norm(x); fprintf('恢复误差: %.4e\n', err);

在 N=256、K=10、M=64 这个配置下，固定随机种子后运行，恢复误差通常在 1e-14 量级，也就是计算机浮点精度级别的“零误差”。支撑集被精确定位，幅度值也几乎完全一致。这也是 OMP 最舒服的工作区间：无噪声、稀疏度已知、测量数充足。

3. 恢复效果到底怎么样：关键参数的影响规律

代码跑通只是第一步。实际使用压缩感知，最需要回答的问题是：观测数 M 到底取多少够？稀疏度 K 多大还能扛得住？有噪声了怎么办？这一节把关键参数的影响规律讲清楚，避免你拿到真实信号后两眼一抹黑。

3.1 观测数、稀疏度与信号长度的经验关系

压缩感知的恢复能力有一个著名的经验公式：M 至少要达到 C 乘以 K 再乘以 log(N/K)，其中 C 是某个常数，通常在 2 到 4 之间。这个公式的含义是，观测数不直接依赖信号长度 N，而主要依赖稀疏度 K 以及 N/K 的对数。也就是说，信号再长，只要稀疏度不变，所需的观测数只是缓慢增长。

实际操作中，我更习惯用下面这个对照表做初步估算：

值得强调的是，当 M 低于某个临界值后，恢复概率会突然崩塌，而不是缓慢变差。这也是压缩感知“相变现象”的直观体现。想观察这个现象很简单，把上面的主脚本包一层循环，让 M 从 20 逐步增加到 100，每个 M 下做几百次蒙特卡洛实验，统计恢复成功率，会得到一条从 0 迅速跳到 1 的曲线。

N = 256; K = 10; Ms = 20:10:100; nTrial = 200; prob = zeros(size(Ms)); for i = 1:numel(Ms) M = Ms(i); ok = 0; for t = 1:nTrial x = zeros(N, 1); x(randperm(N, K)) = randn(K, 1); Phi = randn(M, N) / sqrt(M); y = Phi * x; xr = myOMP(Phi, y, K); if norm(x - xr) < 1e-6 ok = ok + 1; end end prob(i) = ok / nTrial; end plot(Ms, prob, '-o'); xlabel('观测数 M'); ylabel('成功恢复概率'); title('恢复概率随观测数的变化');

这段实验代码是理解压缩感知“临界行为”最直接的方法。你会发现 M 低于 32 的时候成功率很低，超过 48 以后基本稳定在 100%，中间过渡带非常窄。知道这一点，你在做硬件方案或者项目预算时，就不至于拍脑袋定观测数。

3.2 噪声环境下的表现

理想信号里 OMP 表现完美，但现实世界一定有噪声，观测模型变成 y = Phi*x + n。噪声对 OMP 的影响主要不是幅度偏差，而是支撑集误判。当信噪比低时，某个噪声分量与某个原子的相关性可能超过真实信号原子，导致选错位置，而选错一个位置后面很难纠正，恢复结果可能彻底跑偏。

应对办法有几个。一是增加观测数 M，冗余的观测能起到类似平均降噪的作用，SNR 20dB 以下时建议 M 至少到 6K。二是改用更稳健的算法，比如 CoSaMP 或者子空间追踪，它们有理论上的噪声鲁棒性保证。三是引入去噪前置步骤，比如先对观测向量做滤波，但要注意不要破坏测量模型。最忌讳的是盲目调大迭代次数，OMP 在噪声条件下迭代到 K 次以后，会把噪声分量也当成信号来拟合，结果反而更差。

3.3 恢复失败的常见迹象

实际调试时怎么判断恢复失败？最典型的现象是支撑集里出现了明显的“倍频旁瓣”或者孤立脉冲，幅值看起来很大，位置却完全对不上。另一个迹象是恢复误差停留在 0.1 到 1 之间不再下降，而不是降到 1e-10 量级。遇到这种情况，先别怀疑算法，按顺序排查：信号是否真的在选定字典下稀疏？稀疏度 K 是否给大了？观测数 M 是否低于临界值？噪声是否过强？这四个问题按概率排序，基本能定位 90% 的失败原因。

4. 动手实践时最容易踩的坑和排查思路

压缩感知代码量不大，但坑一点都不少。这里挑四个高频问题，每一个我都踩过，也帮别人排查过很多次。

4.1 测量矩阵不归一化

Phi = randn(M, N)和Phi = randn(M, N) / sqrt(M)，这两种写法看起来差不多，实际结果天差地别。如果不除sqrt(M)，Phi' * r的每一项是 M 个高斯随机量叠加，方差会被放大 M 倍。当 M 上百甚至上千时，相关性数值出现异常大跳变，最小二乘解的条件数也变差，支撑集很容易选错。

判断自己是不是踩了这个坑，直接在命令行检查一下：norm(Phi(:,1))是否接近于 1。远大于 1 就说明没归一化。这个习惯建议保持住，不管是 OMP 还是后来用 L1 优化，测量矩阵归一化都是第一道保证数值稳定的关卡。

4.2 稀疏度未知时怎么设置停止条件

教程里都假设 K 已知，但真实信号很少给你这个数。这时候 OMP 就不能固定迭代 K 次，而是改用残差阈值。一个简单做法是设定norm(r) < 1e-6就停止，但这个阈值在噪声环境下要大改，否则算法会一直迭代到把噪声也拟合进去。

我常用的方法是用残差下降曲线判断，把每次迭代的残差范数记录下来，找到下降速度明显变缓的拐点。前几次迭代残差下降非常快，一旦真实支撑集被选完，继续迭代残差只会缓慢下降，拐点对应的迭代次数就是稀疏度估计。这个方法不保证绝对准确，但在实践中比单纯设阈值稳定得多。

4.3 信号在时域不稀疏，需要借助稀疏基

初学者最常犯的错误，是把压缩感知直接套在不稀疏的信号上，然后抱怨恢复效果差。比如一个正弦叠加信号，时域波形密密麻麻全是非零值，K 接近 N，压缩感知当然失效。正确做法是引入稀疏基矩阵 Psi，让 x = Psi * s，其中 s 是稀疏系数向量，观测模型变成 y = Phi * Psi * s。

MATLAB 里构造常见稀疏基并不复杂：

N = 256; Psi = dctmtx(N); % DCT正交基 % 或 Psi = fft(eye(N)) / sqrt(N); % 归一化DFT基

恢复时先对系数 s 做 OMP，再把得到的稀疏系数变换回时域。注意 OMP 使用的字典是Phi * Psi，不是Phi。这一步很多人容易搞混，导致支撑集找对但信号恢复出来完全不对。

4.4 图像压缩感知不是一维信号的简单复制

图像天生是二维数据，直接把整幅图像拉成一维向量会让矩阵维数爆炸。比如 512×512 的图像拉成 262144 维，测量矩阵根本存不下。工程上通常采用分块压缩感知，将图像分成 8×8 或 16×16 的小块，每块独立测量、独立恢复，最后拼接。这时块的尺寸选择很关键，太小则稀疏性变差，太大则计算量上升。实际项目里还会用二维测量矩阵直接对图像块做观测，避免向量化带来的维度灾难。

5. 从 OMP 起步，进阶到原子范数最小化

行业内流传着一句话，压缩感知的尽头是原子范数最小化。这句话有点夸张，但确实点出了一个深刻的问题：传统稀疏恢复算法都默认信号在一组离散字典原子下稀疏，可真实世界很多参数的取值是连续的。

5.1 网格失配问题

标准压缩感知把频率、角度这类连续参数离散化，比如把 0 到 180 度方向按 1 度间隔划分成网格。如果真实信号来自 40.4 度，字典里却没有这个原子，算法只能把它强行分配到 40 度或 41 度上，恢复结果就会出现系统性偏差，这就是基不匹配。改善网格精度会让字典规模暴涨，计算量随之失控，典型的顾此失彼。

5.2 原子范数最小化的思路

原子范数最小化换了一个思路：不再设定离散网格，而是把原子集合扩展为连续的参数空间。连续频率集合上的原子范数相当于 L1 范数在连续字典上的推广，问题变成最小化原子范数，再通过半定规划求解。这样做的好处是频率估计精度不再受网格分辨率限制，能达到超分辨的效果。

当然代价也很明显。半定规划的求解复杂度远高于 OMP，对内存和计算资源要求高，初学门槛也大，需要理解正定 Toeplitz 矩阵、对偶问题、Carathéodory 参数化等一堆概念。MATLAB 里可以用 CVX 配合 SDPT3 求解器实现，也有不少开源工具可以直接调用。

5.3 建议的学习路径

我的建议是先别急着追“尽头”。OMP 是你的地基，它能帮你建立稀疏性、支撑集、残差这些核心直觉。地基打牢以后，可以按这个顺序进阶：先看 L1 最小化和基追踪，理解凸优化思路；再上手 ISTA 和 FISTA，掌握迭代收缩类算法；最后才是原子范数最小化和无网格方法。

回想我自己的经历，最快建立信心的方法，是把这篇文章里的代码亲手跑一遍，再改参数观察规律，而不是直接啃论文。等你对 M、K、噪声三者之间的拉扯有自己的体感，再看任何压缩感知方向的改进算法，都会觉得顺理成章。代码能跑只是开始，真正值钱的是面对一个具体信号时，你知道该用哪种模型、哪个参数范围、哪种恢复算法。压缩感知不是万能的银弹，但它值得长期留在你的工具箱里。

本文还有配套的精品资源，点击获取