由空是压缩方法(一)得到对观测矩阵的进一步研究
2015-10-12 19:05
281 查看
在传统的压缩感知里,一般都用固定式和非固定式的观测矩阵。
上文中提到的空时压缩方法,是利用单位矩阵中的某些行或者列组成一个新的向量。那这种观测矩阵的恢复效果怎么样?
对原始BP算法,替换掉原来的200*1000的高斯矩阵,变成随机提取单位矩阵的200行组成一个新的200*1000的观测矩阵。那么信号恢复效果如何?
这信噪比,完全烂成翔啊!!!!!与原始的采用高斯观测矩阵的BP算法恢复的情况相比
显然,这个观测矩阵是不合适的,那么原因出在了哪里?
这个算法中的数据是稀疏的,那么我想换个不稀疏的实际信号效果如何。
用这个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)的时间域抽样进行恢复。
恩,原来是原始信源信号的问题!
上文中提到的空时压缩方法,是利用单位矩阵中的某些行或者列组成一个新的向量。那这种观测矩阵的恢复效果怎么样?
对原始BP算法,替换掉原来的200*1000的高斯矩阵,变成随机提取单位矩阵的200行组成一个新的200*1000的观测矩阵。那么信号恢复效果如何?
这信噪比,完全烂成翔啊!!!!!与原始的采用高斯观测矩阵的BP算法恢复的情况相比
显然,这个观测矩阵是不合适的,那么原因出在了哪里?
这个算法中的数据是稀疏的,那么我想换个不稀疏的实际信号效果如何。
用这个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)的时间域抽样进行恢复。
Phi2=eye(N); z=randperm(256); z1=z(1:64); for i3=1:64 Phi(i3,:)=Phi2(z1(:,i3),:); % 测量矩阵(高斯分布白噪声) end生成了64*256的观测矩阵,接收端采用OMP算法恢复。
恩,原来是原始信源信号的问题!
相关文章推荐
- Chrome 控制台console的用法
- xpath属性值的模糊匹配
- CentOS 6.5 部署 Horizon
- [转载]iOS本地推送-备用
- BHO的创建-Window7 VS2010
- IntelliJ IDEA设置打开窗口的数量
- HDU1495 非常可乐
- 关于setpeer和getpeer的作用
- android:Kotlin Java Kotlin android Kotlin
- centos 笔记
- 【转】吴晓波:马化腾的“邮件癖”
- Codeforces 11D A Simple Task 统计简单无向图中环的个数
- 跟我一起用windows快捷键(持续更新)
- zepto的tap事件的点透问题的几种解决方案
- PDA简单打包
- 老师oracle讲义第五天
- ios实现截屏(转)
- UILabel 使用解析
- RAID4 慢的原因
- 监控火车票余票