0 引言

    壓縮感知理論(Compressed Sensing，CS)是一種有別于傳統Shannon-Nyquist采樣定理的信號欠采樣理論。該理論指出，對于稀疏或可壓縮信號，可以通過線性投影的方式將大部分信號的信息投射在低維空間，然后利用非線性解碼的算法將信號恢復到原始狀態。

    CS方法被廣泛應用于無線通信、模式識別和雷達成像等領域。觀測矩陣的設計是CS方法的關鍵研究內容之一，構造性能良好的觀測矩陣對于信號的壓縮觀測以及重構都起到了至關重要的作用^[1]。現有的文獻對觀測矩陣的約束條件展開了一系列的探究，文獻[2]中闡述了限制性等距原則(Restricted Isometry Property，RIP)；文獻[3]提出利用零空間性質作為觀測矩陣的約束條件，但由于觀測矩陣是否具備約束條件難以準確判斷，往往需要涉及組合復雜度的相關問題，因此該方法的實際應用具有一定難度。

    文獻[4]中為有效測量觀測矩陣性能，將矩陣和稀疏基間的互相關性當做衡量標準，相關性越低，信號適應的稀疏度范圍越大，精確重建信號所需觀測值的數目越少；文獻[5]主要以Gram矩陣為基礎偽逆求解觀測矩陣，該研究采用了閾值函數，其中的收縮因子能夠根據需要進行調節，但是這種方法比較耗時，在收縮過程中可能會產生絕對值較大的相關系數；文獻[6]中ABOLGHASEMI V首次提出利用梯度下降法使得Gram矩陣逼近單位陣，但是該算法收斂速度較慢并且可能陷入局部最優；文獻[7]提出使用矩陣特征值分解對觀測矩陣進行優化，將特征值分解后的Gram矩陣的特征值取平均值，然后間接優化Gram矩陣的非對角線元素，該方法在一定程度上能夠降低矩陣的整體互相干性，但是在使用某些恢復算法(如SP算法)的情況下，可能無法重建原始信號，在適用范圍上有一定的局限性。

    文獻[8]的研究表明，重構算法要想準確地實現恢復信號的目的，必須滿足的條件是使觀測矩陣列向量具備一定的線性獨立性，而且越強的獨立性能夠保證重建信號具有越高的質量。

    通過梳理相關研究理論，本研究借助于QR分解的方式提高觀測矩陣列向量的獨立性，并將QR分解與自適應梯度下降觀測矩陣優化算法相結合，提出了一種Gram矩陣優化算法，并在實驗上對該方法的可行性進行驗證。

本文詳細內容請下載:http://www.cowatch.cn/resource/share/2000003486

作者信息:

周琦賓1，吳  靜1，2，余  波1

(1.西南科技大學 信息工程學院，四川 綿陽621000；

2.西南科技大學 特殊環境機器人技術四川省重點實驗室，四川 綿陽621000)