【深度学习：深度压缩感知-从ISTA到LISTA及其pytorch实现方法】的完整源码，博客地址https://blog.csdn.net/qq_38290475/article/details/104684232。资源积分会自动上涨，欢迎私信或者评论，我会重新调整为0积分。

行业分类-物理装置-基于压缩感知的高斯频率域提高薄互层分辨率的方法.zip

本人自己写的，内容包活概述，omp原理，具体设计，仿真结果及源程序。代码正确无误。

文档为matlab语言 gpsr算法，亲测有效，文件里有使用说明

从压缩感知的原理入手，阐述了基于压缩感知的三维物体成像方法。为解决压缩感知三维物体成像计算量大的问题，重点提出了一种三维信息计算的简单方法。此方法通过两次压缩感知计算就可得到位于多个距离处的物体的三维信息，大大减少了计算量。对此方法进行了数值模拟，并分析了采样率的提高对于距离计算精度的影响；建立实际的三维成像系统，实验结果证明了这种方法的可行性。

压缩感知l1重建算法matlab代码稀疏引力波 稀疏方法（和压缩感测）应用于重力波信号处理 如果不是稀疏方法，互联网将是一个漂亮但相对空白的地方。 大多数有损压缩方法（例如，在图像的情况下）基于以下观察结果：常用基础系统（例如，原始像素）中的大多数系数都可以忽略不计或可忽略不计。 从电信到地震现象，自然界的几乎每个领域都可以看到这种稀疏概念。 该项目的重点是时空本身的振动。 根据信号源，引力波信号预期在四个主要的感应基极稀疏：瞬态（“突发”）源在时域中将以孤立脉冲的形式出现，准单色（“连续”）信号将以较小的形式出现傅立叶域中的频率数量。 不稳定紧密紧凑的二元系统的早期（平稳阶段）吸气部分有望在时频（“线性调频”）平面（）上产生稀疏信号。 最终，在傅立叶域中的检测器间互相关空间中，所谓的“随机背景”稀疏。 “最近”已经开发了一个功能强大的数学框架，例如，只要已知信号在某些表示形式上是稀疏的（即使您不知道），就可以准确地重建采样速率远低于您天真的期望的采样率的信号。无法明确知道哪种表示形式）。 在这里，我给出了如何将这些稀疏方法应用于重力波数据分析的草图。 在某些情况下，它们可能会提高计算

详细报告见https://blog.csdn.net/weixin_42845306/article/details/118786180

本程序主要讲解了基于压缩感知理论的DOA估计，程序主要从信号的稀疏，测量矩阵的设计以及重构矩阵来恢复时域信号，该方法通过谱峰搜索进行DOA估计，方法准确，分辨率高，希望能帮助大家。

提出了一种利用压缩感知原理测量微弱信号的方法，测量信号由伪随机序列调制，应用改造的测量矩阵，在一次测量基础上进行二次测量，利用压缩感知的恢复算法可以精确地确定信号在字典中的位置并且得到其幅度值。仿真实验证明本文方法可以用于检测信噪比高于-20 dB的微弱信号，将信号较完整地从噪声干扰中恢复出来，信号幅度误差很小。

压缩感知重构Matlab重构算法（MATLAB编写、含有SP算法、各类重构算法）