sparse_sensing12 - 是函数代码sparse_sensing_example - 展示如何使用它。 x = sparse_sensing12(A,y,epsE) 由 Yoash Levron 教授撰写， 电气工程，以色列理工学院，2014 年 9 月。 此函数使用行数少于列数的矩阵 A 求解欠定方程组 Ax=y。 该函数定位“最稀疏”的解向量 x，即具有最少数量的非零元素的解向量。 如果存在稀疏解决方案，则该函数可以保证找到它。 功能输入： A - 传感矩阵（尺寸 M x N，其中 M<N） y - 已知输出向量（已知测量值的向量，（尺寸 M x 1） epsE - 解决方案的可容忍误差。 如果解向量 x 产生第二个范数大于 epsE 的错误，则该函数会抛出错误消息。 函数输出： x - 估计的稀疏向量（维度 N x 1）。 假设 x 最多有 2 个非零元素。 此

MATLAB：压缩感知（内含完整代码）

压缩感知l1重建算法matlab代码[用于压缩感知恢复的贝叶斯卷积神经网络]。 介绍 贝叶斯卷积神经网络（BCNN）是一种新的压缩感知（CS）恢复算法，它结合了卷积神经网络（CNN）和贝叶斯推理方法。 在本文中，我们显示出在重建结果方面的显着改进，优于传统的结构化压缩传感（SCS）算法和基于ReconNet，DR2Net和LDAMP等神经网络的恢复方法。 此处提供的代码有助于重现本文中介绍的某些结果。 引文（BibTex）： 如果您正在使用此代码，请引用以下论文。 @artical{BCNNs, author = {Xinjie Lan and Xin Guo and Kenneth E. Barner}, title = {Bayesian Convolutional Neural Networks for Compressed Sensing Restoration}, booktitle = {arVix:1811.04356}, month = {Nov.}, year = {2018} } 系统要求： 该软件已经在Matlab R2018a上进行了测试。 使用BCNN从CS测

信号处理 压缩感测 该项目是GSU数值分析研究小组的一部分，该研究小组在叶晓静博士的建议下进行。 该项目的重点是创建一个正态分布的玩具数据集，以执行近距离渐变方法的规则和加速变化，以实现压缩感测。 玩具数据集因原始问题而稀疏创建； 对于非稀疏信号，使用小波变换首先对数据进行稀疏处理，然后执行加速的压缩感测，然后使用逆变换将其带回到信号的原始域，从而解决了该问题的变体。 鼓励读者阅读以了解设置，数学和结果 需要什么工作？ 虽然大多数数学软件都经过了优化，但是代码本身需要一些巧妙的优化，以加快采样过程。

肯定可以直接运行，我用的2018a运行的，所以应该兼容所有版本的matlab

针对信道路径数未知的大规模多输入多输出（MIMO，multi-input multi-output）系统，提出一种稀疏度自适应的压缩感知信道估计方法——块稀疏自适应匹配追踪（BSAMP，block sparsity adaptive matching pursuit）算法。利用大规模MIMO系统子信道的联合稀疏性，通过设置阈值及寻找最大后向差分位置对支撑集原子进行快速初步选择，同时考虑了观测矩阵非正交性造成的能量弥散，提高算法的估计性能；通过正则化对原子进行二次筛选，以提高算法的稳定性。仿真表明，该算法能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。

香港大学沙博士所写，但愿对刚刚入门的同志们有所帮助吧！

压缩感知，稀疏恢复中能够用到的L1同伦算法，性能好，速度快，有一定参考价值。

采用GPU加速的压缩感知图像恢复算法.pdf

一篇不错的压缩感知应用文献，稀疏压缩感知聚束成像的文章