压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

OLS - 正交最小二乘法：由 T. Blumensath, ME Davies 提出StOLS - Stagewise OLS：将 StOMP 理念与 OLS 相结合ROLS - 正则化 OLS：将 ROMP 思想与 OLS 相结合

音频信号重建，描述音频重构经典算法，对于恢复信号特别有用

利用MATLAB实现拉普拉斯贝叶斯算法，用在压缩感知中，仿真了信号重建的过程，对该过程有进一步的认识

亲测好用，挺不错的资源，大家快来下载吧！挺有用的！需要的话可以来下载哦！用matlab对超声的RF信号进行了重建，包内有超声rf信号原始数据和报告，对重建原理和程序步骤进行了详细分析和描述，并且含有超声仪重建的图像，重建图像可与本程序重建图像进行对比分析

压缩感测理论近年来引起了广泛的关注，并且稀疏信号重建已广泛用于信号处理和通信中。 本文解决了稀疏信号恢复的问题，尤其是在非高斯噪声的情况下。 本文的主要贡献是提出了一种算法，其中负熵和重新加权方案代表了解决问题方法的核心。 信号重建问题被形式化为约束最小化问题，其中目标函数是误差统计特征项，负熵和稀疏正则项项测量值p的范数之和，对于0 <p <1。但是，p-范数会导致非凸优化问题，难以有效解决。 在这里，我们将'p-范数视为加权的'1-范数的严重范数，以使子问题变得凸。 我们提出了一种优化算法，该算法结合了前向后向拆分。 该算法速度快，能够成功准确地恢复具有高斯和非高斯噪声的稀疏信号。 若干数值实验和比较证明了该算法的优越性。

压缩感知理论是一种充分利用信号稀疏性或者可压缩性的伞新的信号采样理论。该理论表明，通过采集少 量的信号值就可实现稀疏或可压缩信号的精确重建。该文在研究和总结已有重建算法的基础上，提出了一种新的基 于正则化的自适应匹配追踪算法(Regularized Adaptive Matching Pursuit，RAMP)用于压缩感知信号的重建。

使用gan信号重构 这是使用条件生成对抗网络进行信号重建的项目。

行业分类-电信-基于压缩感知的探地雷达信号重建和去噪方法.rar

基于加权l1范数的稀疏信号重建，稀疏信号是带噪声的-Sparse signal reconstruction based on the weighted l1 norm sparse signal with noise