基于压缩感知的RSL0稀疏重构算法

资 源 简 介

本项目完整实现了压缩感知领域中的RSL0（Robust Smoothed L0）算法，旨在解决从欠采样线性测量中恢复稀疏信号的核心问题。RSL0算法的主要功能是利用一族连续可微的光滑函数（通常为高斯函数）来逼近离散且不连续的L0范数，从而将原本NP难的组合优化问题转化为一系列连续函数的全局最优化问题。在实现过程中，项目采用“延拓法”策略，通过逐渐减小平滑参数（sigma），使得近似函数序列逐步逼近L0范数，并在每一个平滑参数下利用最速下降法结合投影操作寻找最优解。该项目不仅包含了RSL0算法的核心迭代逻辑，还集成了完整的测试环境，包括生成K-稀疏信号、构建高斯随机测量矩阵或伯努利测量矩阵、添加高斯白噪声以测试鲁棒性。此外，项目还提供了与其他经典算法（如正交匹配追踪OMP、平滑L0算法SL0）的对比分析功能，能够输出在不同稀疏度、不同压缩比条件下的重构成功率、均方误差（MSE）以及运行时间，充分验证RSL0算法在抗噪性能和计算效率上的优势。

详 情 说 明

基于压缩感知的 RSL0 稀疏重构算法

项目简介

本项目完整实现了压缩感知（Compressed Sensing）领域中的 RSL0（Robust Smoothed L0） 算法。该算法旨在解决从欠采样线性测量中恢复稀疏信号的核心问题。RSL0 算法的核心思想是利用一族连续可微的光滑函数（高斯函数）来逼近离散且不连续的 L0 范数，从而将原本 NP 难的组合优化问题转化为一系列连续函数的全局最优化问题。

项目代码通过 MATLAB 实现，不仅包含了 RSL0 算法的核心迭代逻辑，还集成了完整的测试环境和与经典 OMP（正交匹配追踪） 算法的对比分析，能够直观地展示算法在稀疏信号重构中的收敛性、准确性及抗噪能力。

主要功能特性

• RSL0 算法核心实现：实现了基于平滑函数逼近 L0 范数的完整迭代过程，包含“延拓法”策略（Continuation Strategy）和梯度下降结合投影的优化步骤。
• 稀疏信号生成环境：支持生成指定长度（N）、稀疏度（K）的随机稀疏信号，信号非零系数服从高斯分布。
• 压缩观测模拟：构建高斯随机测量矩阵，并对矩阵列向量进行归一化处理，模拟含高斯白噪声的欠采样观测过程。
• 算法性能对比：内置 OMP 算法作为基准（Benchmark），从运行时间、均方误差（MSE）、信噪比（SNR）三个维度对比 RSL0 的优势。
• 可视化分析：提供包含原始/重构信号对比、残差分布对比及 RSL0 代价函数收敛趋势的多维度可视化图表。

系统要求

• MATLAB R2016a 或更高版本
• 不需要额外的特殊工具箱（仅使用基础矩阵运算函数）

使用方法

直接在 MATLAB 环境中运行主脚本即可。程序将自动执行以下流程：

1. 初始化参数并生成稀疏信号与测量矩阵。
2. 分别运行 RSL0 和 OMP 算法进行信号重构。
3. 在控制台输出两种算法的耗时、MSE 和 SNR 数据。
4. 弹出一个包含四个子图的窗口，展示重构效果和收敛曲线。

详细实现逻辑与代码分析

本项目的主程序并未拆分为多个文件，而是将流程控制与算法函数封装在同一脚本中，具体实现逻辑如下：

1. 参数初始化与数据构建

程序首先定义了系统的关键参数：

• 信号维度：信号长度设为 512，测量数设为 256（压缩比 0.5），稀疏度设为 40。
• RSL0 参数：设定了平滑参数的截止阈值（sigma_off）和噪声标准差。
• 测量矩阵：生成高斯随机矩阵，并执行列归一化。这是压缩感知算法收敛的重要预处理步骤。
• 观测向量：通过 $y = Ax + n$ 生成观测值，其中 $n$ 为加性高斯白噪声。

2. RSL0 算法实现细节

RSL0 重构函数 (RSL0_Reconstruction) 采用了由粗到精的延拓法策略：

• 初始化：利用伪逆矩阵计算最小二乘解（最小 2-范数解）作为迭代的初始点 $x_0$。
• Sigma 衰减策略：初始平滑参数 $sigma$ 设为信号最大幅值的 2 倍，在每次外层循环中以 0.5 的因子衰减，直到达到预设的最小阈值。
• 内层循环（梯度下降）：

* 在固定的 $sigma$ 下，执行最速下降法。 * 梯度计算：利用高斯函数的导数特性，计算每一步的更新增量 $delta = x cdot exp(-|x|^2 / 2sigma^2)$。这一步的作用是抑制小幅值元素，使其向 0 收敛。 * 投影操作（Projection）：每次梯度更新后，执行 $x = x - A^{dagger}(Ax - y)$ 操作。该步骤将解强制投影回满足观测约束 $y=Ax$ 的仿射子空间中，保证解的物理一致性。

• 硬阈值处理：算法结束后，对小于 1e-4 的微小幅值强制置零，以消除底噪。

3. OMP 算法实现细节

为了评估性能，代码实现了一个标准的正交匹配追踪算法：

• 原子匹配：计算残差与测量矩阵各列的相关性，选择相关性最大的原子。
• 支撑集更新：将选中的原子索引加入支撑集。
• 正交投影：在当前支撑集上通过最小二乘法（MATLAB 的 `` 算符）求解信号幅值，更新残差。
• 迭代终止：当达到预设稀疏度 $K$ 或残差极小时停止。

4. 结果评估与可视化

程序最后通过四个子图展示结果：

1. RSL0 重构对比：展示原始信号与 RSL0 重构信号的时域波形，标题包含 SNR 数值。
2. OMP 重构对比：展示原始信号与 OMP 重构信号的时域波形。
3. 绝对误差分析：通过火柴杆图（Stem plot）直观对比两种算法在每一个采样点上的绝对误差。
4. 收敛趋势：绘制 RSL0 算法随迭代进行（Sigma 逐渐减小）时，近似 L0 代价函数值的变化曲线，验证算法的收敛性。

关键算法原理说明

• L0 范数逼近：RSL0 使用函数 $F_sigma(x) = 1 - exp(-x^2/2sigma^2)$ 来逼近 L0 范数。当 $sigma$ 很大时，该函数很平滑，不易陷入局部最优；当 $sigma to 0$ 时，该函数逼近 L0 范数。
• 最优化策略：通过逐渐减小 $sigma$，算法在初期利用平滑函数的凸性寻找全局最优解的轮廓，后期在小 $sigma$ 下通过梯度的精细调整逼近真实的稀疏解。