L1-MAGIC is a collection of MATLAB routines for solving the convex optimization programs central to compressive sampling. The algorithms are based on standard interior-point methods, and are suitable for large-scale problems.

稀疏信号恢复问题一直是几个不同社区中广泛研究的主题。 可伸缩恢复算法是压缩感测（CS）的一个至关重要的基本主题，最近几年引起了人们的极大兴趣。 本文首先分析了正交匹配追踪（OMP）算法中的迭代残差。 其次，引入了贪婪算法，称为贪婪OMP算法。 该算法使用贪婪原子识别迭代地识别多个原子，然后丢弃与最佳原子高度相似的一些原子。 与OMP算法相比，对高斯和零一稀疏信号进行的实验表明，提出的GOMP算法可以提供更好的恢复性能。 最后，我们通过实验研究了GOMP中贪婪常数对恢复性能的影响。

介绍了一种在压缩感知框架内的简单测量矩阵构造算法（MMCA）。 在压缩感测中，测量矩阵和稀疏字典（基本）之间的较小相干性可以具有更好的信号重建性能。 随机测量矩阵（例如，高斯矩阵）已被广泛使用，因为它们与几乎所有稀疏基数都具有较小的相干性。 但是，通过降低与固定稀疏基的相干性来优化测量矩阵将大大提高CS的性能，这一结论已被许多先前的研究人员很好地证明。 基于以上分析，我们通过迭代采用收缩和奇异值分解（SVD）技术来实现此目的。 最后，优化矩阵和稀疏字典的列之间的相干性可以大大降低，甚至接近韦氏边界。 此外，我们建立了一些实验来测试所提出算法的性能，并与现有技术进行比较。 我们得出的结论是，使用所提出的测量矩阵构建方法，贪婪算法（例如正交匹配追踪）的恢复性能优于传统的随机矩阵算法，Elad算法，Vahid算法和Xu引入的优化矩阵算法。

介绍了一种在压缩感知框架内的简单测量矩阵构造算法（MMCA）。 在压缩感测中，测量矩阵和稀疏字典（基本）之间的较小相干性可以具有更好的信号重建性能。 随机测量矩阵（例如，高斯矩阵）已被广泛使用，因为它们与几乎所有稀疏基数都具有较小的相干性。 但是，通过降低与固定稀疏基的相干性来优化测量矩阵将大大提高CS的性能，这一结论已被许多先前的研究人员很好地证明。 基于以上分析，我们通过迭代采用收缩和奇异值分解（SVD）技术来实现此目的。 最后，优化矩阵和稀疏字典的列之间的相干性可以大大降低，甚至接近韦氏边界。 此外，我们建立了一些实验来测试所提出算法的性能，并与现有技术进行比较。 我们得出的结论是，使用所提出的测量矩阵构建方法，贪婪算法（例如正交匹配追踪）的恢复性能优于传统的随机矩阵算法，Elad算法，Vahid算法和Xu引入的优化矩阵算法。