多算法融合压缩感知信号重构系统

资 源 简 介

本项目旨在构建一个综合性的压缩感知仿真与实验平台，涵盖了从信号稀疏化、观测矩阵构建到重构算法实现的全过程。系统核心目标是实现对非稠密信号在远低于奈奎斯特采样率下的精确获取与恢复。 项目实现了多种稀疏变换基，包括离散余弦变换（DCT）和周期小波变换，用于将时域或空域信号转换为稀疏领域。在观测阶段，集成了高斯随机矩阵、伯努利矩阵以及部分哈达玛矩阵，用于对高维脉冲信号或图像信号进行降维投影。

详 情 说 明

基于多算法融合的压缩感知信号重构系统

项目介绍

本项目是一个专门用于压缩感知（Compressed Sensing, CS）研究的仿真与实验平台。系统完整地模拟了压缩感知的全过程，包括信号的稀疏化表示、观测矩阵的构建、受限采样过程以及高性能重构算法的实现。通过该平台，用户可以深入研究不同观测维度（M）、信号稀疏度（K）以及重构算法对信号恢复质量的影响，实现对非稠密信号在远低于奈奎斯特采样率下的精确获取。

功能特性

1. 多类型稀疏变换：系统内置了离散余弦变换（DCT）矩阵生成功能，能够将非稀疏的时域信号映射到稀疏域进行处理。
2. 多样化观测矩阵：集成了高斯随机矩阵（Gaussian）、伯努利随机矩阵（Bernoulli）以及部分哈达玛矩阵（Hadamard）的构建方法，满足不同应用场景下的降维投影需求。
3. 双重重构算法实现：同步实现了贪婪类算法中的代表——正交匹配追踪（OMP），以及基于平滑函数逼近的非凸优化算法——平滑L0范数重构（SL0）。
4. 自动化性能评估：提供均方误差（MSE）、信噪比（SNR）和执行耗时等多维度量化指标。
5. 鲁棒性统计分析：具备重构成功率对比功能，通过改变观测值数量（M）并进行多次重复实验，自动生成算法收敛性能曲线。
6. 多维结果可视化：提供原始信号与重构信号的对比图、重构残差分布图以及成功率随采样率变化的统计图。

系统逻辑与流程说明

系统的主执行逻辑严格遵循以下步骤：

1. 初始化与参数设定：设定原始信号长度（N=256）、信号稀疏度（K=30）、初始观测维度（M=100）等关键实验参数。
2. 信号构建：在DCT域生成一个随机分布的K稀疏系数向量，并通过逆变换构建对应的时域测试信号。
3. 字典与观测矩阵生成：生成离散余弦变换基矩阵，并根据选定的类型（如Gaussian）构建观测矩阵。
4. 压缩采样：将观测矩阵作用于原始信号得到低维测量值，模拟传感器获取数据的过程。同时构建合成传感矩阵。
5. 信号重构执行：

* 调用OMP算法，通过迭代寻找对应支撑集并进行最小二乘投影来估计稀疏系数。 * 调用SL0算法，利用高斯平滑序列逐步逼近L0范数，通过最速下降法和可行域投影恢复信号。

1. 性能量化：对比原始信号与重构信号，计算各项指标并在命令行输出结果分析。
2. 成功率扫描实验：设定一系列递进的观测值数量（M从40至200），在每个测量点执行多次随机独立实验。根据重构系数的相对误差（阈值0.01）判定是否成功，最后统计各算法的成功率。
3. 绘图展示：生成四块画布，分别展示两种算法的波形恢复效果、SL0算法的残差细节以及两种算法的成功率性能对比曲线。

关键算法与实现细节分析

1. 稀疏基与观测矩阵

• 离散余弦变换 (DCT)：通过数学公式直接构造正交矩阵，用于信号的稀疏变换。
• 观测矩阵构建：

* 高斯矩阵：生成标准正态分布随机数并进行能量归一化。 * 哈达玛矩阵：通过生成2的幂次阶矩阵并随机抽取行向量，实现确定性与随机性的结合。

2. 正交匹配追踪算法 (OMP)

该算法采用贪婪搜索策略：

• 相关性分析：每一轮迭代计算传感矩阵各列与当前残差的内积，以此选入最匹配的原子。
• 支撑集更新：记录选入原子的索引。
• 最小二乘更新：在当前选定的原子子空间内，通过最小二乘法更新待重构系数，并同步更新残差，确保残差与已选原子正交。

3. 平滑L0范数算法 (SL0)

该算法属于非凸优化方法：

• 初始化：通过计算伪逆获得最小L2范数解作为起点。
• 平滑策略：利用一系列递减的平滑参数（sigma序列），使用高斯函数族来逼近L0范数。
• 两步迭代：

* 最速下降：在当前平滑参数下，沿梯度方向减少目标函数值。 * 投影算子：将迭代结果重新投影回满足观测方程的线性空间，确保结果符合物理测量。

系统要求

• 软件环境：MATLAB R2016b 或更高版本。
• 硬件要求：由于涉及多次迭代实验和矩阵运算，建议内存不低于8GB。
• 工具箱要求：无需特殊工具箱，项目使用纯MATLAB函数（如 randn, hadamard, plot）实现。

使用方法

1. 在MATLAB中定位到代码所在目录。
2. 在命令行输入主函数名并回车。
3. 系统将自动开始计算并在控制台输出OMP与SL0的指标数据。
4. 计算完成后，系统会自动弹出可视化图形窗口。
5. 如需测试不同的观测矩阵，可修改代码中关于变量类型设置的部分（'Gaussian', 'Bernoulli' 或 'Hadamard'）。