本项目将在MATLAB环境中完整实现一种用于分布式压缩感知（DCS）的高级重构算法——联合向前正交追踪（Joint Look Ahead Orthogonal Matching Pursuit, JLAOMP）。该算法主要解决多测量向量（MMV）问题，利用多个传感器采集到的信号具有联合稀疏性（即共享相同的非零元素位置支撑集）这一特质来提升信号恢复的精度与稳定性。具体功能涵盖以下几个方面：首先，建立联合稀疏模型（Joint Sparsity Model, JSM），仿真生成多路具有共同稀疏支撑集的原始信号，并利用随机高斯测量矩阵或伯努利矩阵对这些信号进行压缩采样，获取多通道观测数据；其次，核心实现JLAOMP重构算法，该算法改进了传统的同步正交匹配追踪（SOMP）算法，在原子选择阶段引入了“向前看”（Look Ahead）机制，即在每次迭代寻找最优原子时，不单凭当前最大的投影系数做决定，而是预先测试多个候选原子组合，计算它们对未来残差的影响，选择能够最小化整体逼近误差的原子索引更新支撑集，从而有效避免了贪婪算法容易陷入局部最优的问题；最后，项目构建完善的性能评估框架，通过蒙特卡洛仿真实验，量化分析该算法在不同稀疏度、不同测量数目以及不同信噪比环境下的重构误差（MSE）和重构成功率，并自动生成与SOMP、OMP等基准算法的详细对比图表。
