Compressive Sensing
Compressive Sensing (CS) är en teknik för signalinsamling och rekonstruktion som utnyttjar signalens sparsitet för att återvinna högupplösta signaler från betydligt färre sampel än vad som krävs enligt Nyquist samplingsteorem. Utvecklad av Emmanuel Candès, Justin Romberg och Terence Tao år 2006, utmanar compressive sensing det traditionella samplingsparadigmet genom att visa att signaler med glesa representationer kan rekonstrueras från slumpmässiga mätningar under Nyquist-gränsen med hjälp av icke-linjär optimering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Compressive Sensing (Compressed Sensing) Signal Acquisition. ScholarGate. https://scholargate.app/sv/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.
- Adaptiv LMS-filterSignalbehandling↔ compare
- Design av FIR-filterSignalbehandling↔ compare
- Estimering av effektspektraltäthetSignalbehandling↔ compare
- Short-Time Fourier TransformSignalbehandling↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →