最近常有人问我压缩感知这类问题到底该怎么入门。很多教程一上来就堆公式讲完稀疏表示讲观测矩阵最后抛给你一堆凸优化术语看完还是不知道怎么在Matlab里跑通一个重构实验。我自己的感受是压缩感知最核心的那一步——用稀疏优化从欠定方程组里把信号捞出来——其实是一个可以分拆、可以对比、可以一步步验证的工程问题。这篇文章把我搭Demo、调算法、对比重构质量的完整过程写出来重点是三种具有代表性的求解思路OMP、ISTA和ADMM。适合刚接触压缩感知、想快速理解稀疏优化到底在优化什么的读者也适合已经跑过一些代码、但始终觉得公式看得懂、参数不会调的同行。读完你至少能自己搭一个完整的重构Demo知道每个参数动了会发生什么。1. 为什么稀疏优化是压缩感知的重构核心1.1 从奈奎斯特采样说起传统采样为什么浪费传统的信号采集遵循奈奎斯特采样定理采样率至少要达到信号最高频率的两倍才能无失真地恢复原始信号。这个结论统治了信号处理领域将近一个世纪直到今天大部分ADC器件的设计仍然围绕它展开。但实际情况是很多信号虽然在时域或者频域里看起来信息量很大真正起决定性作用的成分却很少。举个例子一段语音信号在频域里可能由几十个主要频率分量构成剩下的全是环境噪声和细微扰动。一张自然图像的DCT系数或小波系数往往只有极少一部分是大幅值的其他系数接近于零。换句话说信号的信息密度远低于它的名义维度。奈奎斯特采样把这些接近零的分量也完整采下来从信息论的角度看确实存在大量冗余。压缩感知的基本思路是如果信号本身在某个变换域里是稀疏的那么采样的时候就没必要把整个信号域都覆盖一遍而是用一种更聪明的方式直接采集压缩后的测量值。这样做的好处很直接——采样率可以大幅低于奈奎斯特率减轻ADC压力缩短采样时间降低存储开销。这在MRI加速成像、超宽带通信、雷达信号处理这些场景里都很有吸引力。1.2 稀疏性的本质大多数信号本质上都是可压缩的要理解压缩感知就必须先理解稀疏这个词的数学含义。设信号x是长度为N的列向量如果在某个正交基ψ下展开即x ψs而s中只有K个非零元素K远小于N那么我们就说信号x在ψ域中是K稀疏的。这个定义看起来过于理想化——真实信号哪有刚好只有K个非零系数的实际情况是大多数信号的非零系数虽然不严格为K但存在一个明显的衰减趋势大幅值系数只有少数几个小系数虽然数量多但能量占比很低。这种信号叫作可压缩信号它与严格稀疏信号之间的差异主要体现在那些小尾巴上。工程处理中往往直接把低于某个阈值的小系数置零把可压缩信号近似成严格稀疏信号。我们做实验时也常用这种做法先生成一个N维随机稀疏向量随机挑K个位置赋非零值其余位置全部置零然后用它作为原始信号。这种信号过于干净但好处是方便验证算法正确性。真正贴近工程的做法是生成一个频域衰减信号比如把幅值按指数规律递减再在重构后对比保留了多少能量。1.3 压缩感知的核心矛盾欠定方程如何找到唯一解压缩感知的测量过程可以写成一个非常简洁的线性系统y Ax e其中y是长度为M的观测向量A是一个M乘N的测量矩阵M远小于Ne是噪声。因为M小于N这是一个典型的欠定方程组理论上有无穷多个解。如果没有任何额外信息这个问题是不可能求解的——你没有办法从少于未知数个数的等式里唯一还原出原始信号。但稀疏性提供了额外的先验信息。在无穷多个解中我们想要的是那个最稀疏的解也就是非零元素个数最少的那个。这个想法直观又朴素既然原始信号在某个域里是稀疏的那么在所有能解释观测数据的信号里最稀疏的自然是最合理的那个。这个最稀疏的判断标准就成了重构的钥匙。所以压缩感知中的稀疏优化问题本质上是在回答一个问题在y Ax这个约束下怎么找到一个足够稀疏的解x。整个过程可以拆成三个部分信号的稀疏表示、测量矩阵的设计、稀疏重构算法的求解。本文聚焦第三个部分因为它在整个流程里直接决定重构质量也最考验工程调试能力。2. 从l0范数到l1范数稀疏优化问题的数学重构2.1 为什么不可直接求解l0范数的组合爆炸如果直接按照最稀疏的标准来建模可以写出如下优化问题min ||x||_0, s.t. y Ax其中||·||_0表示向量中非零元素的个数。这个数学上叫l0范数最小化问题。听起来简洁明了但真要解它你会发现这是一个NP难问题——需要遍历所有可能的非零支撑集组合也就是在C(N,K)种可能里寻找最优解。当N256、K8时这个数已经超过10的16次方暴力搜索完全不可行。很多初次接触这一领域的人都会在这个地方卡住明明问题描述得这么简单怎么就是解不了答案是l0范数的非凸性和不连续性让经典优化理论失效它不能被求导也不存在有效的下降方向。工程实践中没有任何通用求解器能直接处理大规模l0问题。所以整个压缩感知理论大厦的第一根支柱就是找到一种既能保持促进稀疏效果、又具备良好计算性质的替代目标函数。2.2 l1范数的凸松弛为什么最优解依然是稀疏的替代方案是用l1范数近似l0范数把问题改写为min ||x||_1, s.t. y Ax其中||x||_1是向量元素绝对值之和。l1范数虽然也是非线性函数但它是凸函数而且Ve?Wait我需要确认一个关键结论为什么l1最小化能带来稀疏解。这实际上是压缩感知理论最核心的洞察之一l1范数在单位球面上具有顶点结构当约束平面与l1球相交时交点更容易落在坐标轴上也就是让某些分量恰好为零。可以从几何角度理解这件事。考虑二维情况l1范数等于常数的集合是一个菱形四个顶点都在坐标轴上。当我们用一个超平面对应线性约束y Ax去截这个菱形时截交面如果与某个顶点相交得到的解就是一个或几个分量为零的稀疏解。相比之下l2范数欧几里得范数的等值面是圆形超平面截下来更容易得到各分量都非零的稠密解。这就是为什么l2正则化通常用于防止过拟合却不会产生稀疏解而l1正则化天然倾向于稀疏。这个性质在信号重构里被反复验证只要测量矩阵满足一定条件比如有限等距性质RIPl1最小化问题的解就能在理论上逼近真实稀疏信号。RIP的概念比较抽象工程上更常用的是测量矩阵与稀疏基之间的互相干性mutual coherence来评估重构可行性这个我在后面的参数部分会细说。2.3 约束条件里的工程学问等式、含噪与正则化形式在实际工程中观测信号不可能完全没有噪声所以前面写的y Ax这个等式约束需要修正。常见的处理方式是把问题改造成噪声感知的形式。一种是约束形式min ||x||_1, s.t. ||Ax - y||_2 ≤ ε其中ε是噪声能量的一种上界估计反映了我们对观测误差的容忍程度。另一种是拉格朗日正则化形式也就是我们熟悉的LASSOmin 1/2 * ||Ax - y||_2^2 λ||x||_1两种形式在数学上存在对偶关系但在实际调试中却有微妙的差别。约束形式需要你估计噪声水平ε如果估计不准重构结果的质量会明显变差正则化形式则需要调λ——λ太小解会过拟合噪声重构结果里会出现大量杂散分量λ太大解的稀疏度被过度压缩真实的弱分量也会被一起抹掉。我自己在Matlab里做实验时最常用的组合是无噪声或低噪声情况用等式约束有噪声用LASSO形式。选λ时先跑一遍交叉验证观察重构信噪比随λ的变化曲线确定一个最佳工作点。后面第5章我会给出一个具体的调试思路和示例数据这里先明确一点——所有稀疏优化算法无论名字多花哨最终都绕不开稀疏性先验与观测数据拟合之间的权衡。3. 三类主流重构算法在Matlab中的落地思路3.1 贪婪算法路线OMP与正交化的迭代原则最直观的求解思路是逐步找出信号中非零分量所在的位置。这类算法叫作贪婪算法代表是匹配追踪MP和它的改进版正交匹配追踪OMP。OMP的核心思想其实非常朴素既然y是A中少数几列的线性组合那么我们只需要从A的M个列向量中把那些真正参与了组合的列找出来就可以了。做法是迭代进行每一步选择与当前残差相关性最强的列把它加入支撑集然后在这个支撑集上用最小二乘法重新计算系数再用更新后的系数计算新的残差。循环往复直到残差小到满足停止条件或者选出了预设的K个原子。OMP在Matlab里实现起来相当简洁整个核心循环大约只有30行代码。它胜在逻辑清晰、速度较快在稀疏度K比较小、测量数M足够大时重构精度通常很高。缺点也同样明显如果信号其实不是严格稀疏的或者噪声较强OMP很容易选错原子——一旦某个错误原子被加入支撑集后续迭代就很难纠正。这属于一步错步步错的算法。还有一点容易被忽略OMP需要预先知道稀疏度K或者设定残差阈值。实际工程中K往往是未知的这时很多人会用残差能量与噪声水平的比值作为停止条件。但我建议如果条件允许先做一次粗略的稀疏度估计再跑OMP效果比盲目设阈值稳定得多。3.2 凸优化路线LASSO与ISTA的迭代收缩逻辑与贪婪算法走选原子路线不同凸优化路线直接在l1正则化问题上做文章。其中ISTA迭代软阈值算法是我认为最容易理解的一种。ISTA的推导思路很优雅先把原问题拆成梯度下降和软阈值收缩两步。在第k次迭代中先对数据拟合项做一次梯度下降得到一个中间结果z x_k μ * A^T * (y - A*x_k)其中μ是步长需要满足μ 1/L才能保证收敛L是A^T*A的最大特征值实际中常用μ 1/norm(A, 2)^2。然后对z做软阈值操作x_{k1} soft_threshold(z, μλ)其中soft_threshold操作对每个元素执行如下变换如果|z_i|大于阈值就把z_i向零收缩一个阈值量如果|z_i|小于等于阈值就直接置零。软阈值操作是l1范数的近端算子这一步的数学意义是在保持接近z的前提下尽量减少l1范数。ISTA的优势在于实现简单、内存开销小、可扩展性强——它把整个问题化成了一个反复执行矩阵乘加和元素级阈值的流程。缺点也很明显它的收敛速度是次线性的接近O(1/k)在信号长度N比较大时可能需要几千次迭代才能达到满意精度。改进版本FISTA引入了动量项收敛速度提升到O(1/k^2)在Matlab里只需多维护一个中间变量是我实际实验中的首选。3.3 分裂与增广路线ADMM如何把复杂问题拆成子问题ADMM交替方向乘子法是另一种解决l1正则化问题的高效思路。它不直接处理原问题而是通过变量分裂把原来的一个复杂优化问题拆成若干个更简单的子问题交替求解。具体做法是引入辅助变量z把问题改写为min 1/2*||Ax - y||_2^2 λ||z||_1, s.t. x - z 0接下来构造增广拉格朗日函数把等式约束加权加到目标函数里再对x和z分别做交替最小化。x的更新是一个标准的二次最小化问题z的更新又是一个软阈值操作。迭代过程中还需要更新一个对偶变量u它记录的是到目前为止约束x - z 0被违反了多少并把这个信息传给下一步迭代作为修正。ADMM在工程界口碑很好因为它把复杂的耦合结构拆开了——A矩阵只出现在x更新步中l1正则只出现在z更新步中。这意味着如果A有特殊结构例如部分傅里叶矩阵、卷积矩阵x更新步可以用快速算法大幅加速。网格化调参也比ISTA直观因为正则化参数λ和惩罚参数ρ在一定程度上是可以分离调整的实际调试时可以先固定ρ扫描λ。不过ADMM也有代价多引入了一个惩罚参数ρ它的取值会影响收敛速度选得不合适时算法收敛会非常慢甚至出现残差振荡。我自己的经验是先按ρ λ的倍数来初始化观察原始残差和对偶残差曲线再逐步调整。4. 完整实验用Matlab从零搭建压缩感知重构Demo4.1 实验设计稀疏信号生成与观测矩阵构造现在我们动手搭Demo。实验参数选择如下信号长度N 256稀疏度K 8观测数M 64。这个配置意味着我们要从64个观测值里恢复256维信号欠定程度是4倍K/M 1:8对于大多数算法都在可恢复的范围内。信号生成先创建一个N乘1的零向量随机选择K个位置填入服从标准正态分布的随机幅值。这一步只为了验证算法如果希望更接近工程实际可以把幅值改为递减序列模拟真实可压缩信号的分布。观测矩阵构造最常用的是高斯随机矩阵即用randn(M, N)生成每个元素独立同分布的标准正态随机矩阵。之所以选高斯矩阵是因为它在理论上有良好的RIP性质证明而且与任意固定稀疏基的互相干性都以极高概率较低。实际操作中用randn后可以做一次归一化让每列的能量接近一致这在算法收敛性和数值稳定性上都有好处。生成观测值y A * x。如果模拟有噪场景就在y上叠加高斯白噪声噪声强度用信噪比SNR表示定义方法是在把噪声方差调到使观测信噪比为预设值。运行三种算法前统一做一步预处理计算A的范数估计用于设定ISTA和ADMM的步长与收敛条件。这样三种算法在同一组数据、同一评估标准下比较结论才公平。4.2 核心代码OMP、ISTA、ADMM三种算法实现先看OMP的Matlab实现。下面这段实现是标准的支撑集迭代方案function x_omp cs_omp(y, A, K) % OMP重构: y A*x已知稀疏度K N size(A, 2); x_omp zeros(N, 1); residual y; % 初始残差 support []; % 支撑集 for iter 1:K corr A * residual; % 所有原子与残差的相关性 [~, idx] max(abs(corr)); support union(support, idx); % 在支撑集上最小二乘 x_temp zeros(N, 1); x_temp(support) A(:, support) \ y; residual y - A * x_temp; % 更新残差 end x_omp x_temp; end这段代码用反斜杠运算符求解支撑集上的最小二乘问题。如果K很小计算开销可忽略但K变大后反斜杠求解的代价会上升更高效的做法是用QR分解增量更新不过Demo阶段不必过度优化。再来看ISTA的实现。我加上了一个动量项实际上写的是FISTA的骨架function x_ista cs_ista(y, A, lambda, maxIter, tol) L max(eig(A*A)); % Lipschitz常数 L L 1e-8; % 防止除零 mu 1 / L; x zeros(size(A,2),1); z x; t 1; for k 1:maxIter x_old x; grad A * (A*z - y); v z - mu * grad; x soft_thresh(v, mu*lambda); t_new 0.5*(1 sqrt(1 4*t^2)); z x (t-1)/t_new * (x - x_old); t t_new; if norm(x - x_old, 2) / max(1e-9, norm(x_old,2)) tol break; end end x_ista x; end function s soft_thresh(v, thr) % 软阈值算子 s sign(v) .* max(abs(v) - thr, 0); end注意soft_thresh函数用Matlab的max对向量整体做阈值操作简洁且向量化。步长μ取为1/L这是保证收敛的保守选择如果A的列做了归一化L通常接近M/N水平。ADMM的实现如下function x_admm cs_admm(y, A, lambda, rho, maxIter, tol) % ADMM求解 LASSO min 0.5*||Ax-y||^2 lambda*||x||_1 [n, N] size(A); I eye(N); % 预计算x更新步的系数矩阵 AAinv (A*A rho*I) \ (A*y); % 这部分严格说需要迭代此处简化演示 % 实际应如下面循环所示每次用反斜杠解线性系统 x zeros(N,1); z zeros(N,1); u zeros(N,1); for k 1:maxIter % x更新: 解(AA rho I) x Ay rho(z - u) x (A*A rho*I) \ (A*y rho*(z - u)); % z更新: 软阈值 z soft_thresh(x u, lambda/rho); % 对偶变量更新 u u (x - z); % 收敛判断 r_norm norm(x - z, 2); s_norm norm(-rho * (z - z_old_placeholder), 2); % 完整实现需记录z历史 if r_norm tol break; end end x_admm z; end这段代码里z_old_placeholder没有给出完整定义我在完整Demo中会用临时变量记录上一轮z的值来判断收敛。ADMM的实际工程实现比上面复杂尤其是x更新步每轮都要解一个N乘N的线性系统直接反斜杠在N很大时不可接受。但Demo层面的N256反斜杠开销完全可以忽略反而是理解算法结构的好机会。4.3 对比实验重构精度、运行时间与鲁棒性评估三种算法在同一组信号和观测矩阵下跑完最直观的评估指标是相对重构误差定义为norm(x_rec - x_true, 2) / norm(x_true, 2)。在无噪声情况下OMP和ADMM通常能同时达到很高的精度相对误差在10的-15次方量级FISTA经过几千次迭代也能达到类似水平但如果迭代次数不足残差会停留在10的-6次方量级肉眼对比时几乎一样但支撑集位置可能有细微错误。从运行时间上看OMP因为循环次数少K8次明显最快ADMM因为有线性系统求解中等水平FISTA如果迭代3000次时间会明显更长。需要注意的是这三者的时间复杂度结构不同OMP的瓶颈在反斜杠求解支撑集上的最小二乘ISTA/FISTA的瓶颈在矩阵乘A*x和A*yADMM的瓶颈在每次x更新时的N乘N线性系统求解。因此比较快慢时一定要声明是在什么N、M、K条件下测的脱离规模谈速度没有意义。噪声鲁棒性的测试更有工程参考价值。把观测信噪比从40dB逐步降到10dB三种算法的重构信噪比都会下降但速率不同。OMP对噪声最敏感——信噪比小于20dB时容易出现原子选择错误FISTA和ADMM由于本质上是凸优化对噪声的平滑能力更强即使观测信噪比低重构结果也只是在稀疏系数幅值上出现轻微抖动不会出现支撑集级别的严重错误。我把这个对比结果整理成一个表格供参考算法无噪声重构误差含噪鲁棒性参数敏感性适用场景OMP极高精度差需知K或设阈值严格稀疏、无噪或低噪FISTA高需足够迭代中λ显著影响结果中等规模、兼顾简单与性能ADMM高中到强ρ与λ需联合调结构矩阵、可加速扩展对初学者来说优先推荐FISTA作为理解和调试的主要对象——它的迭代过程结构最简单每一轮都对应清晰的物理意义先沿梯度下降一步再做稀疏性收缩。5. 参数选择与工程中绕不开的坑5.1 正则化参数和迭代终止条件的选择逻辑正则化参数λ是整个实验中影响结果最大的数值因为它决定稀疏性和数据拟合度之间的天平。λ取太小解的l0范数实际上被放松重构结果中会出现大量小幅度伪分量λ取太大真实的小幅值系数会被软阈值直接抹掉重构结果变得过稀疏。我一般采用这样的调试流程先在一个较宽的范围内取λ的对数均匀分布点例如从1e-4到1e2对每个λ跑一次算法计算重构信噪比RSNR 20log10(norm(x_true)/norm(x_rec - x_true))。然后绘制λ-RSNR曲线找到RSNR最高的区间再在这个区间附近细化扫描。这个流程很笨但非常可靠。如果你对噪声水平有估计也可以从理论角度反推λ——LASSO中λ的一个常用经验值是噪声标准差乘以sqrt(2log(N))这个近似源于高维统计中的最优阈值理论。迭代终止条件也有讲究。常见条件有两种一是最大迭代次数限制二是相对残差变化小于阈值。前者写起来简单但容易在收敛曲线缓慢爬坡阶段浪费大量计算后者更符合实际需求但阈值太小会导致迭代数飙高阈值太大又会在远处停止。我的经验是设一个相对宽松的tol例如1e-6到1e-8区间内的值并同时设置一个硬性的最大迭代数兜底。注意ISTA类的迭代曲线早期下降很快、后期非常缓慢如果用太严格的tol可能白白跑几十万次迭代只为最后几个分量的微调这在真实项目中是不值得的。5.2 噪声条件下重构质量的评估从信噪比到稀疏度感知噪声环境下的评估不能只看波形拟合度还要关注支撑集恢复准确率。支撑集恢复准确率指的是算法识别出的非零位置与真实非零位置的重合比例。有时候重构误差虽然大支撑集却完全正确这说明算法找到了正确的位置只是幅值估计有偏差后续还可以通过精化步骤比如只用支撑集再做一次最小二乘改善。反之如果支撑集本身错了说明算法选错了核心原子这时无论怎么平滑幅值都无法救回来。在实际项目中我建议把这两类指标分开记录信噪比反映整体数值质量支撑集准确率反映结构性质量。窄带信号、雷达成像这类对目标空间位置敏感的应用更应关注支撑集准确率因为一个位置错误就意味着一块成像区域的错误。宽带语音之类的应用则更关注整体的重构信噪比。另外做实验时要注意分清测试信噪比和重构信噪比两者不要混淆。前者是观测值y中信号与噪声的相对强度后者是重构信号x_rec与真实信号x_true的比较。观测信噪比高不等于重构信噪比高因为欠定方程本身已经丢失了部分信息重构精度的上限受到理论边界限制。画出不同观测信噪比下的重构信噪比曲线能看到明显的平顶效应——观测信噪比提升到一定程度后重构信噪比提升就变缓了这说明瓶颈已经不再是噪声而是欠定度本身。5.3 观测矩阵设计随机性、相关性约束与硬件可实现性的取舍很多人刚上手时只关心重构算法把观测矩阵用randn随便一放其实观测矩阵的选择对重构能否成功有决定性影响。稀疏优化理论里面最重要的概念叫有限等距性质RIP通俗理解就是测量矩阵A近似保持了所有K稀疏向量的长度信息即任意K稀疏向量x都有(1-δ)||x||_2^2 ≤ ||Ax||_2^2 ≤ (1δ)||x||_2^2δ是一个较小的常数。RIP条件越容易满足l1最小化重构成功的概率越高。验证一个矩阵是否满足RIP在计算上非常困难所以工程上更常用的指标是测量矩阵与稀疏变换基之间的互相干性——简单说就是A的列向量与稀疏基的列向量之间的最大相关系数。对于高斯随机矩阵这个互相干性以高概率比较小这也就是为什么高斯矩阵是最常用的选择。而在实际硬件场景中真正能实现的观测矩阵往往不是完全随机的例如部分傅里叶矩阵、二值化随机矩阵它们的硬件实现成本更低但相应的重构条件也更苛刻。我建议在Demo阶段就用高斯矩阵把算法研究透后再逐步替换成结构型观测矩阵观察重构性能如何下降。这可以帮助你建立什么样的矩阵适合什么样的算法的直觉。如果发现某个矩阵下OMP完全失效而ADMM仍然可用这说明该矩阵的互相干性较差贪婪类算法更容易陷入错误原子凸优化算法因为全局优化性质而更具韧性。6. 进阶扩展从标准CS到实际应用场景的思考6.1 多测量向量与流式稀疏重构标准的单测量向量模型y Ax适合处理一次性采样的静止场景。但很多真实应用是动态的比如视频压缩感知、光谱成像、无线传感网连续数据采集。这时同一个稀疏信号在一段时间内被反复观测或者一簇相关的稀疏信号被同时测量就形成了多测量向量模型Y AX其中Y是M乘L的矩阵X是N乘L的矩阵。其目标不再是一个稀疏向量而是一组拥有共同稀疏支撑的稀疏向量。MMV模型的核心改良思路是同时稀疏性要求所有列的稀疏支撑集相同。这相当于把单向量问题中的K稀疏约束升级成了联合稀疏约束。求解策略也相应变化常见的有同时OMP、同时ISTA以及基于混合l2,l1范数的最小化min ||X||_{2,1} sum_i ||X(i,:)||_2这个式子对每一行计算l2范数再求和目标就是促进整行同时为零或同时非零。如果把这个扩展方向用Matlab实现代码量比单向量版本多不了太多但应用范围立刻宽广起来——多频带信号、多通道阵列处理、视频帧序列都能用。6.2 与深度学习结合LISTA与传统迭代算法的关联深度学习与稀疏重构的结合是近年比较火的方向之一。一个很自然的想法是既然ISTA的每次迭代就是乘A^T、加个偏置、做软阈值那这种迭代结构是不是可以用神经网络来参数化LISTA就是基于这个思路提出来的——把ISTA的迭代展开为网络层A和A^T这样的固定矩阵变成可学习的权重软阈值中的参数也变成网络学习的对象。这部分内容在Matlab里也有相应的实验空间先用经典ISTA生成训练数据再用深度学习工具箱搭建一个展开网络对比两者的重构精度和迭代速度。我个人觉得这种展开学习的意义不仅在于速度提升更在于你可以把稀疏先验显式编码进网络结构里让网络的行为可解释、可约束这是纯黑盒神经网络难以做到的优势。如果你想深入研究建议从LISTA的原始论文入手再到Matlab的Deep Learning Toolbox里搭一个简单的全连接展开网络。注意如果训练集与测试集分布差异较大展开网络的重构性能会显著下降这一点与传统算法相比是个短板。自动编码器类方法虽然效果也可以但稀疏性约束的表达力往往不如直接展开迭代结构来得好。6.3 适合拓展的方向与参考路线如果这个Demo已经跑通接下来可以根据你的实际场景选一个方向继续走。做信号的可以研究结构化稀疏——把支撑集的分组信息和树状层级结构加入模型做图像的可以转向TV正则化模型即把l1稀疏先验换成全变分约束对图像的分片光滑特性更友好做雷达或者通信的可以关注复值信号的重构因为Matlab默认是复数友好的但很多开源CS代码只针对实值需要自己扩展。说到复值信号这是一个很容易踩的坑。雷达中频信号、OFDM通信信号通常都是复信号。高斯观测矩阵同样可以用复数形式生成但有些软阈值操作需要针对复数做修改——复数软阈值不是简单的sign(x)*max(abs(x)-thr, 0)而是要保持相位不变、只收缩模长。Matlab里可以用max(1 - thr./abs(v), 0) .* v来实现。很多初学者直接在实值代码里传复数得到的结果单位圆上全乱了排查半天也找不到问题。另一个值得拓展的方向是稀疏度未知时的自适应方案。现实中的信号极少能事先告诉你有几个非零分量。做法可以是先用一个较小的K跑OMP计算残差能量再逐步增大K观察重构结果是否发生剧烈变化也可以用贝叶斯压缩感知这类全概率模型它不需要显式指定稀疏度而是通过先验参数估计自动确定有效维数。最后想分享一个我在实际调试中的体会稀疏优化算法的调试很多时候不是算法的数学推导出了问题而是实验的对照设置不够清晰。每次改动参数前先把信号生成、观测矩阵、噪声注入、评估指标四件事在代码里固定下来单独只调一个变量这样你才能真正建立参数—效果之间的直觉。压缩感知的坑不少但只要有了这份直觉后续看其他类型的稀疏优化问题低秩矩阵恢复、稀疏字典学习、相位恢复都会顺很多。希望这篇内容能帮你把第一个压缩感知实验跑起来也跑明白。
