从稀疏表示到压缩感知(上)

压缩感知(Compressive Sensing, CS)挑战了奈奎斯特采样定理,利用数据的冗余特性减少采样数量,实现低失真的数据还原。通过局部低维结构、周期性和对称性等自然数据特性,压缩感知在采集阶段即完成数据压缩,节省存储和计算资源。了解压缩感知的基本模型是理解其核心的关键。" 107200600,7870798,深度搜索遍历图中所有简单路径,"['图论算法', '数据结构', '深度优先搜索', '路径查找', 'C++编程']

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

原文《白话压缩感知》

old / xiahouzuoxin

Tags: DSP

   

压缩感知介绍

压缩感知(Compressive Sensing,CS),有时也叫成Compressive Sampling。相对于传统的奈奎斯特采样定理——要求采样频率必须是信号最高频率的两倍或两倍以上(这就要求信号是带限信号,通常在采样前使用低通滤波器使信号带限),压缩感知则利用数据的冗余特性,只采集少量的样本还原原始数据。

这所谓的冗余特性,借助MLSS2014马毅老师的课件上的例子来说明,

data_property

因为自然界的数据都存在局部低维结构、周期性、对称性等,因此,传统的固定采样率的采样方法必然存在信息冗余。由于信息冗余的存在,我们就知道有数据压缩那么一门学科。既然这样,为什么要把冗余的数据也采进来,再进行压缩呢,能不能不把冗余的数据采集进来?

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值