基于投影思想的匹配追踪信号稀疏分解算法实现

资 源 简 介

本项目旨在利用MATLAB编程环境完整复现并实现匹配追踪（Matching Pursuit, MP）算法，重点解决信号在过完备字典库中的稀疏分解与高效重构问题。MP算法是一种基于贪婪迭代策略的非性线近似算法，其核心思想是利用投影原理：在迭代的每一步中，计算当前信号残差与过完备字典中所有原子的内积相关性，寻找与残差最匹配（即内积绝对值最大）的原子。项目将实现从残差中减去该最佳匹配原子上的投影分量以更新残差，并记录相应的展开系数和原子索引，此过程循环进行直到达到预设的迭代次数或残差能量低于特定阈值。该代码模块将包含过完备字典（如Gabor字典、DCT字典）的构建与初始化、核心MP迭代分解引擎、稀疏系数提取以及基于选定原子的信号重构功能。通过该项目，能够展示信号如何被分解为一系列时频原子的线性组合，直观反映稀疏表示在信号压缩、去噪及特征提取等领域的应用效果。

详 情 说 明

基于投影思想的匹配追踪(MP)信号稀疏分解算法实现

项目介绍

本项目是一个基于MATLAB环境开发的信号处理算法演示程序，旨在完整复现并演示匹配追踪（Matching Pursuit, MP）算法。MP算法是一种经典的贪婪迭代算法，其核心原理基于投影思想：将信号在过完备字典库中进行分解，通过逐次迭代寻找与当前残差信号最相关的原子（Atom），从而实现信号的稀疏表示。

该项目不仅实现了算法核心，还包含了一个混合分量（正弦、线性调频、脉冲）的合成信号生成器以及一个包含多种变换基（DCT、单位脉冲、Gabor）的混合过完备字典，生动展示了稀疏分解在捕捉不同信号特征时的有效性。

功能特性

• 多成分合成信号生成：自动生成包含低频正弦波、高频Chirp信号、局部突变脉冲及高斯白噪声的混合信号，用于模拟复杂的时频特性。
• 混合过完备字典构建：手动构建包含三种特征的混合字典，无需依赖特定工具箱函数，实现了对时域、频域和时频域特征的全面覆盖。
• MP核心算法引擎：基于内积投影原理实现的贪婪迭代求解器，支持最大迭代次数和最小残差能量双重终止条件。
• 信号重构与评估：基于筛选出的稀疏系数和原子索引重构信号，并自动计算均方误差 (MSE) 和信噪比 (SNR)。
• 全方位可视化：提供原始/重构信号对比、残差信号波形、能量收敛曲线以及字典原子系数分布图。

系统要求

• MATLAB R2016b 或更高版本
• 不需要额外的复杂的工具箱（代码内部通过基础矩阵运算实现了DCT基和Gabor原子的构建）

使用方法

1. 确保MATLAB当前工作路径包含 main.m 文件。
2. 在MATLAB命令行窗口输入 main 并回车，或直接在编辑器中运行该脚本。
3. 程序将自动执行信号生成、字典构建、迭代分解和结果绘图，并在控制台输出迭代过程和误差分析数据。

---

详细实现逻辑与代码分析

本项目的主要逻辑封装在 main.m 文件中，执行流程严格按照以下五个步骤进行：

1. 系统参数设置与信号生成

程序首先定义信号长度 $N=256$，并合成了一个具有代表性的测试信号 x_orig，该信号由以下部分叠加而成：

• 低频正弦分量：模拟平稳的周期信号 (s1)。
• 高频线性调频 (Chirp) 分量：模拟频率随时间变化的非平稳信号，并加了高斯包络 (s2)。
• 随机脉冲分量：在特定位置（第50和200点）添加突变脉冲 (s3)。
• 噪声：叠加了微量的加性高斯白噪声。
• 预处理：最后对混合信号进行了 $ell_2$ 范数归一化处理。

2. 过完备字典构建 (Dictionary Construction)

为了适应信号中不同成分的稀疏表示，代码构建了一个混合型过完备字典 $D$，总列数远大于信号长度 $N$。字典由三部分级联而成：

• DCT字典 (频域稀疏)：通过余弦函数构建，采用了 $2N$ 的过采样频率网格，擅长捕捉平稳的低频正弦信号。
• 单位脉冲字典 (时域稀疏)：即 $N times N$ 的单位矩阵 (Identity)，专门用于精确捕捉信号中的突变脉冲。
• Gabor字典 (时频局部化)：通过手动循环生成的加窗余弦和正弦函数。使用固定的高斯窗宽 ($sigma=16$)，在不同的时间位移 (Shift) 和调制频率 (Freq) 上生成原子，用于捕捉Chirp等非平稳分量。
• 原子归一化：构建完成后，代码遍历字典的每一列，将其归一化为单位 $ell_2$ 范数，这是MP算法计算投影系数的前提。

3. 匹配追踪 (MP) 核心算法

这是代码的核心部分，实现了基于贪婪策略的迭代分解。

• 初始化：将残差 residual 初始化为原始信号，并将稀疏系数向量置零。
• 迭代循环：

1. 投影 (Projection)：计算当前残差与字典中所有原子的内积 (D' * residual)。 2. 最佳匹配 (Best Matching)：寻找内积绝对值最大的原子索引 (best_idx) 及其对应的投影系数 (best_coeff)。 3. 更新残差 (Update)：根据MP算法公式 $R_{n+1} = R_n - langle R_n, g_{gamma_n} rangle g_{gamma_n}$，从当前残差中减去最佳原子上的投影分量。 4. 记录：保存当前迭代选中的原子索引、系数以及当前的残差能量。

• 终止条件：当迭代次数达到 max_iter (100次) 或残差能量低于 min_residual (0.01) 时停止迭代。

4. 信号重构与误差分析

迭代结束后，利用记录的 sparse_coeffs (稀疏系数) 和 atom_indices (原子索引) 进行信号重构。

• 重构公式：$hat{x} = sum_{k} alpha_k cdot g_{k}$。
• 误差计算：计算原始信号与重构信号的差值，进而求得均方误差 (MSE) 和重构信噪比 (SNR)，并在控制台打印。

5. 结果可视化

代码最后生成一个包含四个子图的图形窗口：

• 子图 1 (Top)：展示原始信号（蓝色实线）与MP重构信号（红色虚线）的对比，标题中注明了SNR和使用的原子数量。
• 子图 2 (Bottom-Left)：展示最终无法被分解的残差信号波形。
• 子图 3 (Bottom-Right)：绘制迭代过程中残差能量随迭代次数的单调衰减曲线，直观反映算法的收敛速度。
• 子图 4 (Bottom-Wide)：展示字典原子的稀疏系数分布 Stem 图。代码巧妙地使用竖线划分了DCT、Dirac和Gabor原子的区域，便于观察算法具体选择了哪种类型的原子来表示信号的不同成分（例如，低频部分对应DCT区，脉冲部分对应Dirac区）。