压缩感知算法（包括BCS implemented、compressive sensing basic knowledge、Matlab重构算法、omp等）

使用ATtiny85为运行Windows 10 IoT核心的Raspberry Pi创建DHT11 / DHT22分支板。

Sprout是一款现代室内种植机，可以自动为您的植物，草药，蔬菜等浇水，并彻底改变您的园艺游戏。

监控房间的温度和湿度，并将数据传输到云。

想象一下，您的冰箱包含感应功率，可以将其插入智能小部件。

温度，湿度和大气压力显示与先前时间点的比较并绘制趋势图。

在本教程中，您将学习如何使用土壤湿度传感器。 还提供了一些实用示例来帮助您掌握代码。

固态，低成本，可靠的光伏太阳能热水解决方案。 零维护和二氧化碳，已连接，智能的组合式预热控制。

近年来，已经从压缩感测（CS）理论的角度解决了有关稀疏连续信号恢复的各种应用，例如源定位，雷达成像，通信信道估计等。 但是，在考虑任何实际使用时，有两个主要缺陷需要解决。 第一个问题是由任意定位的未知数与预先指定的字典之间的基础不匹配导致的离网问题，这将使常规CS重建方法的性能大大下降。 第二个重要问题是对低复杂度算法的迫切需求，尤其是在面对实时实现的需求时。 在本文中，针对这两个问题，我们提出了三种快速，准确的稀疏重建算法，分别称为HR-DCD，Hlog-DCD和Hl（p）-DCD，它们基于同构，二分坐标下降（DCD） ）和网格优化技术相结合，实现了迭代和非凸正则化。 实验结果证明了所提算法和相关分析的有效性。

图像的先验信息在降低CS反演的计算复杂度和提高重建质量方面起着重要作用。 本文提出了一种基于小波的多元追踪算法，该算法利用了图像的先验信息，而这些信息超越了简单稀疏性。 所提出的方法以多变量方式从多次测量中重建图像小波系数，并以提取的图像边缘作为先验信息来指导算法在CS恢复中的追踪过程。 通过边缘信息与多元联合恢复的交互作用，该算法显着提高了边缘明显，稀疏度高的CT，MRI等图像的重建质量。 数值实验表明，与其他最新的CS算法相比，所提出的算法具有更高的重构质量并保持更高的计算效率。