由空是压缩方法（一）得到对观测矩阵的进一步研究

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。

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！