基于交替投影的压缩感知采样矩阵优化

资 源 简 介

本项目主要实现了压缩感知（Compressive Sensing, CS）理论中采样矩阵（或称测量矩阵）的优化算法。在压缩感知的数学框架下，为了确保能够从少量的观测数据中高概率地精确重构出原始稀疏信号，理论上要求采样矩阵与信号所在的稀疏表示基（Sparse Basis）之间的互相关性（Coherence）越低越好，即满足约束等距性条件（Restricted Isometry Property, RIP）。本项目采用一种基于交替投影（Alternating Projection）的迭代优化方法，旨在寻找具有最小互相关性的采样矩阵。程序的工作流程是从一个初始的随机矩阵开始，设定目标相关性阈值或等角紧框架（ETF）结构作为约束条件，通过在矩阵的结构约束集合与低相关性目标集合之间进行反复的交替投影，逐步修正矩阵元素。该方法能够有效降低采样矩阵列向量之间的最大互相关系数，使其逼近理论上的Welch界限。通过此优化过程，生成的采样矩阵在信号重构阶段能够提供更高的重构精度和更强的鲁棒性，适用于稀疏信号处理、医学成像及无线通信等领域的压缩感知系统设计。

详 情 说 明

基于交替投影法的压缩感知采样矩阵优化

项目介绍

本项目致力于解决压缩感知（Compressive Sensing, CS）系统设计中的核心问题——采样矩阵（测量矩阵）的优化。在压缩感知理论中，采样矩阵的性质直接决定了稀疏信号重构的精确度和概率。理论研究表明，采样矩阵各列之间的互相关性（Mutual Coherence）越小，且越接近理论下界（Welch Bound），矩阵越容易满足约束等距性条件（RIP），从而提供更优的重构性能。

本项目基于交替投影（Alternating Projection）算法，实现了一种迭代优化方案。程序从一个初始化的随机高斯矩阵出发，通过在“低互相关性结构集合”和“矩阵秩约束集合”之间进行交替投影，逐步修正矩阵元素，最终生成一个互相关性极低的优化采样矩阵。

功能特性

• Welch界限计算：自动根据设定的矩阵维度（$M times N$）计算互相关性的理论下界（Welch Bound），作为优化的目标参照。
• 交替投影迭代算法：

* 实现基于Gram矩阵的阈值收缩操作，降低非对角元素相关性。 * 实现基于特征值分解（EIG）的秩约束重构，确保矩阵满足采样维度的秩要求。

• 自动收敛检测：内置收敛监测机制，当互相关性变化低于预设阈值或达到最大迭代次数时自动停止。
• 全方位可视化分析：

* 收敛曲线：实时展示互相关性随迭代次数下降并逼近Welch界的过程。 * 直方图对比：直观对比优化前后Gram矩阵非对角元素的分布情况。 * 热力图：可视化最终矩阵的Gram矩阵结构。

• 奇异值验证：计算并输出优化后矩阵的奇异值分布，辅助验证矩阵的RIP特性。

系统要求

• MATLAB R2016b 或更高版本
• 无需额外工具箱（主要使用基础矩阵运算及绘图函数）

使用方法

1. 将项目代码保存为脚本文件。
2. 在MATLAB环境中直接运行主脚本。
3. 程序将输出优化过程中的进度条，控制台将打印初始及最终的互相关性指标。
4. 运行结束后，系统会弹出一个包含三个子图的分析窗口，展示优化效果。

---

核心算法与实现逻辑

本项目的主程序 main 严格遵循交替投影法的数学流程，具体实现逻辑如下：

1. 初始化阶段

• 参数配置：设定采样维度 $M=50$，信号维度 $N=256$，最大迭代次数 $500$。
• 理论界限：根据公式 $mu_{Welch} = sqrt{frac{N-M}{M(N-1)}}$ 计算目标阈值。
• 初始矩阵生成：创建一个服从 $N(0, 1/M)$ 分布的随机高斯矩阵，并对其每一列进行欧几里得范数归一化（Unit Norm），确保列向量位于单位超球面上。

2. 迭代优化循环 (Alternating Projection)

程序进入主循环，执行以下步骤直至收敛：

• 步骤一：计算Gram矩阵

计算当前采样矩阵 $Phi$ 的 Gram 矩阵 $G = Phi^T Phi$。该矩阵反映了所有列向量之间的内积（相关性）。

• 步骤二：互相关性约束投影 (硬阈值收缩)

为了降低互相关性，算法检查 $G$ 中的所有非对角元素。 * 如果某元素的绝对值 $|g_{ij}|$ 超过了理论 Welch 界限，则将其幅度强制截断（Shrink）至 Welch 界限，同时保持其符号不变。 * 强制对角线元素为 1，以维持列向量的单位范数特性。

• 步骤三：结构/秩约束投影

由于采样矩阵 $Phi$ 的尺寸为 $M times N$，其对应的 Gram 矩阵 $G$ 的秩理论上不应超过 $M$。 * 对修改后的 $G$ 进行特征值分解（Eigenvalue Decomposition）。 * 截取最大的 $M$ 个特征值及其对应的特征向量，丢弃其余部分，以此强制矩阵的秩为 $M$。 * 利用截取后的特征值 $Sigma_{eff}$ 和特征向量 $V_{sorted}$ 重构最优采样矩阵：$Phi_{opt} = Sigma_{eff}^{1/2} V_{sorted}^T$。

• 步骤四：再归一化

对重构后的矩阵 $Phi_{opt}$ 的每一列再次执行单位范数归一化，防止数值计算误差导致列向量模长偏离 1。

• 收敛检查

计算当前的互相关性系数 $mu$，并与上一次迭代的结果比较。如果变化量小于容差 Tol (1e-6)，则判定算法收敛并提前退出循环。

3. 结果分析与验证

迭代结束后，程序执行以下评估：

• 互相关性对比：计算最终矩阵的最大互相关性，并输出相对于初始随机矩阵的性能提升百分比。
• 奇异值分析：计算最终矩阵 $Phi$ 的所有奇异值（SVD），观察其分布范围，奇异值越集中说明矩阵的正交性越好。

---

关键代码细节解析

calculate_coherence 辅助函数

• 该函数用于计算矩阵的互相关性指标 $mu$。
• 实现逻辑是先计算 $G = A^T A$，取该矩阵的绝对值，将对角线元素置零（忽略自相关），然后寻找矩阵中剩余元素的最大值。这是衡量采样矩阵优劣的最核心指标。

Gram矩阵的特征分解重构

• 代码中利用 [V, D] = eig(G_new, 'vector') 获取全部特征对。
• 关键操作 Phi_opt = S_eff * V_sorted(:, 1:M)' 实际上是从 Gram 矩阵的空间逆向恢复出采样矩阵 $Phi$。由于 $G approx Phi^T Phi$，通过保留前 $M$ 个主成分，找到了能够生成该 Gram 矩阵的最佳 $M$ 维基底，从而保证了生成的 $Phi$ 具有正确的维度和秩。

非对角元素截断 (Clipping)

• 代码片段 G_new(mask) = sign(G(mask)) * target_mu 实现了硬阈值策略。这意味着算法严格禁止任何列向量间的相关性大幅超过 Welch 界限。虽然代码中定义了 LearningConstant，但在实际的核心收缩步骤中直接使用了目标阈值截断，这种方法收敛速度较快。