基于随机解调的压缩采样技术是一种可以突破香农采样定理进行稀疏信号捕获的新颖方法。 在基于随机解调的采样系统中的主要挑战是随机序列的产生。 在本文中，我们介绍了一种生成高速随机序列的方法，该序列可以满足压缩采样的不连贯性。 所提出的技术采用了现场可编程门阵列（FPGA）。 首先，将随机序列并行存储在FPGA的存储器中，并使用低速时钟逐字节读取随机序列。 其次，低速字节序列由电路转换为高速位序列。 该提出的方法可以动态地对随机序列进行编程，而无需对电路系统进行任何更改。 实验结果表明，该方法产生的随机序列对信号的检测是可行的，所构建的系统可以压缩采样并重建稀疏信号。

A Mathematical Introduction to Compressive Sensing Springer 2013 Authors:Simon Foucart, Holger Rauhut

实时可压缩的目标跟踪算法，该算法采用matlab实时，简单实用。

关于压缩感知技术的几篇经典文章。其中包括：Optimized compressed sensing for curvelet-based seismic data reconstruction.pdf Rebecca Willett, Michael Gehm, and David Brady, Multiscale reconstruction for computational spectral imaging.pdf Richard Baraniuk and Philippe Steeghs, Compressive radar imaging..pdf Single-pixel remote sensing.pdf 以及国内的两个综述文章

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。

该数据集处理影响混凝土抗压强度的因素。有几个输入参数和一个输出参数。 npvproject-concrete.csv

稀疏信号恢复一直是几个不同社区中广泛研究的主题。 本文分析了正交匹配追踪（OMP）算法在压缩感知中恢复幅度衰减稀疏信号的性能。 定义了峰值信号干扰比（PSIR）的概念，该概念与OMP算法中原子的识别有关。 此外，给出并分析了PSIR与幅度衰减率之间的关系，从而弥合了OMP性能与信号幅度特性之间的差距。 通过恢复零一稀疏信号和不同幅度衰减稀疏信号的实验仿真可以验证上述结果。

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。

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