Compressive Sensing
Compressive Sensing (CS) er en teknik til signalanskaffelse og -rekonstruktion, der udnytter signalets sparsitet til at genvinde højopløselige signaler fra langt færre målinger, end hvad der kræves af Nyquist-samplingsteoremet. Udviklet af Emmanuel Candès, Justin Romberg og Terence Tao i 2006, udfordrer compressive sensing det traditionelle samplingparadigme ved at vise, at signaler med sparsomme repræsentationer kan rekonstrueres fra sub-Nyquist tilfældige målinger ved hjælp af ikke-lineær optimering.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Candes, E. J., Romberg, J., & Tao, T. (2006). Robust Uncertainty Principles: Exact Signal Reconstruction from Highly Incomplete and Inaccurate Measurements. IEEE Transactions on Information Theory, 52(2), 489–509. DOI: 10.1109/TIT.2005.862083 ↗
- Eldar, Y. C., & Kutyniok, G. (2012). Compressed Sensing: Theory and Applications. Cambridge University Press. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Compressive Sensing (Compressed Sensing) Signal Acquisition. ScholarGate. https://scholargate.app/da/signal-processing/compressive-sensing
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Adaptivt LMS-filterSignalbehandling↔ compare
- Design af FIR-filtreSignalbehandling↔ compare
- Estimering af effektspektraltæthedSignalbehandling↔ compare
- Short-Time Fourier TransformSignalbehandling↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →