基于SVD-Schmidt正交化的压缩感知测量矩阵的优化OA北大核心CSTPCD

压缩感知(CS)理论中测量矩阵的性能优劣直接影响信号重构性能。为了优化测量矩阵提高其重构性能,本文提出了一种基于奇异值分解-施密特(SVD-Schmidt)正交化的CS测量矩阵优化方法。首先对测量矩阵进行奇异值分解(SVD)并选择最大的奇异值替换原来的奇异值形成新的矩阵,同时对其进行施密特正交化,对矩阵的列进行单位化,通过行和列不断循环交替自适应迭代优化得到优化后的测量矩阵。通过一维信号和二维图像的仿真实验验证所提方法的优越性。一方面,本文方法优化的测量矩阵互相关性明显降低;另一方面,实验仿真结果证明了测量矩阵经过优化之后提高了信号重构性能,本文方法重构性能优于现有的SVD法和特征值分解法。