此程序包是关于P张量积压缩感知的实现代码，仿真平台为Matlab。

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

BCS 理论是由 Shihao Ji 等提出的，BCS 理论解决问题的基本思想是为 CS的恢复问题建立了一个贝叶斯框架，将贝叶斯思想融入到 CS理论中，通过统计学解决问题的新视角来重新对待传统 CS理论的信号重构问题

A Mathematical Introduction to Compressive Sensing A Mathematical Introduction to Compressive Sensing A Mathematical Introduction to Compressive Sensing

压缩感知的正交匹配追踪算法——matlab程序 压缩感知的正交匹配追踪算法——matlab程序

其中五篇文献（学位论文）非常详尽地介绍了压缩感知在DOA估计方面的应用，值得参考一下。

这是基于压缩感知的字典学习代码。下载解压后直接运行。

目的压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,提出一种基于优化加权全变差(TV)的复合正则化压缩感知图像重建模型。方法提出的重建模型是以TV正则化模型为基础。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪(ROF)模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果针对自然图像的不同特性,使用复合正则化先验进行建模,实验结果表明上述重建问题通过本文方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论与其他基于TV正则化的重建模型相比,本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。

提出一种基于OFDM水声信道模型的信道自适应稀疏度估计方法。该方法利用小波分解估计得到信道初始稀疏度，结合已有的压缩感知自适应算法的思想确定算法迭代停止条件完成信道估计，解决实际运用中水声通信系统信道估计时稀疏度未知的问题。仿真实验结果表明，所提出的方法可精确重构估计信道信息，大大减少自适应算法的运行时间。

多任务压缩感知程序，实现多个测试数据的联合稀疏稀疏求解