Dror Baron等在其名为“Distributed Compressed Sensing”指出具有相关信息的多个观测源采用联合重构算法可以获取更好的重构效果，当观测源足够多时，甚至只需要K+1观测次数就可以完全重构出原信号。文献中提出了两种算法OSGA（One-Step Greedy Algorithm）和SOMP（Simultaneous Orthogonal Matching Pursuit）。

DCS_SOMP分布式压缩感知 根据 CS 理论可知，在信号长度一定的情况下， 稀疏度越好，所需的测量值个数越少。对于一个信号群，选择不同的共同分量会有不同的联合稀疏效果。如果能够知道每个节点采集到的信号，那么可以最佳地确定共同分量让联合稀疏表示的稀疏度最小。基于这种思想，结合传感器的具体应用，采用分簇的层次化路由方式，将簇内节 点采集的数据先传输到簇头节点，簇头节点根据各 节点的数据最佳地确定共同分量，然后对共同分量 和特征分量分别进行投影，将投影值传输到汇聚节 点，然后在汇聚节点联合恢复出各个节点的信号向

解析压缩matlab代码互补泊松盘 3D 笛卡尔 k 空间采样 免责声明：此代码作为发表在 Magnetic Resonance in Medicine 上的工作的示例免费分发。 这是斯坦福大学的研究。 我们不保证代码没有错误。 如果您发现任何错误或有任何建议或想法，请联系作者。 埃文莱文 () 2016。 src 包括 C 代码和 mex 函数。 使用 MATLAB 中的 genUDCPD.m 和 genVDCPD.m。 MATLAB 函数的演示包含在 html/ 更多信息可以在以下参考资料中找到： 参考 E Levine、B Hargreaves、B Daniel、S Vasanawala 和 M Saranathan。 “使用互补泊松盘采样的具有压缩传感和可变视图共享的 3D 笛卡尔 MRI” 医学 2016 年磁共振 E 莱文、M Saranathan 和 B Hargreaves。 “互补泊松盘采样” ISMRM 论文集，意大利米兰，2014 年 5 月 E 莱文、B 奎斯特、B 丹尼尔、B 哈格里夫斯和 M 萨拉纳森。 “基于两点狄克逊的 DCE-MRI 中的视图共享和压缩

针对MIMO系统信道的联合稀疏特性，提出一种基于分布式压缩感知(DCS)的MIMO-OFDM系统信道估计方法。分布式压缩感知（DCS）被视为分布式信源编码和压缩感知（CS）的结合，论文详细论证了分布式压缩感知理论在MIMO-OFDM系统中运用的可行性。将该算法与基于压缩感知理论的CoSAMP算法做比较，仿真结果表明，基于DCS算法的信道估计不仅性能更优，而且可以实现更低的时间复杂度。

分布式压缩感知 matlab代码

解析压缩matlab代码此存储库包含用于生成 J. Maly 和 L. Palzer 的“具有一位测量的分布式压缩传感的硬阈值分析”中的数字的代码。 附上以下文件： Distributed_1bit_HT.m - 主文件 Joint_HT_1Bit_distributed.m - 分布式 1 位 CS 的重建算法 - HT_1Bit.m - 1 位 CS 的重建算法 要运行代码，只需在 Matlab 中运行脚本“Distributed_1bit_HT.m”。 该代码将生成 1 位压缩感知问题的许多实例，运行重建算法并绘制结果，如 2 节所示。 5 的论文。 选择默认参数以减少论文中的模拟，以便在笔记本电脑（2 核）上执行时间在几分钟之内。 论文中用到的参数在主文件中给出。 运行脚本时，进度条会指示程序的当前进度。

#资源达人分享计划#

学习分布式压缩感知必读的文献，描述了分布式压缩感知的稀疏模型和重构算法

根据分布式压缩感知理论,提出一种宽带协作频谱感知的方式。该方式相比于以往的协作压缩频谱感知方式,认知用户传向融合中心的数据精简为压缩信号,各个压缩信号在融合中心进行融合重构,这样就减少传向融合中心的数据量,缓解融合中心的数据压力,并且可以提高信号重构的成功率。同时,根据压缩抽样匹配追踪算法,提出一种联合压缩抽样匹配追踪算法。该算法思想是通过加权融合测量样本、迭代重构原信号,以恢复共同的频谱支撑集,完成协作频谱感知。仿真结果表明:与经典的DCS-SOMP算法相比,本文算法性能更优,所需的滤波器数更少。

利用前后两关键帧图片生成边信息，两种方法：帧插值和前向估计。