Sıkıştırılmış Algılama
Compressive Sensing (Compressed Sensing) Signal Acquisition · Ayrıca şöyle bilinir: Compressed Sensing, CS, Sparse Recovery, Sub-Nyquist Sampling
Sıkıştırılmış Algılama (CS), Nyquist örnekleme teoreminin gerektirdiğinden çok daha az örnekle yüksek çözünürlüklü sinyalleri geri kazanmak için sinyal seyreklik özelliğinden yararlanan bir sinyal elde etme ve yeniden yapılandırma tekniğidir. Emmanuel Candès, Justin Romberg ve Terence Tao tarafından 2006 yılında geliştirilen sıkıştırılmış algılama, seyrek gösterimlere sahip sinyallerin, doğrusal olmayan optimizasyon kullanılarak Nyquist altı rastgele ölçümlerden yeniden yapılandırılabileceğini göstererek geleneksel örnekleme paradigmasına meydan okumuştur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sinyaller bilinen tabanlarda seyrek olduğunda ve elde etme maliyetleri (zaman, enerji, radyasyon) yüksek olduğunda (tıbbi görüntüleme, radar ve uzaktan algılama gibi) sıkıştırılmış algılama kullanın. Ölçüm donanımı pahalı veya güç sınırlı olduğunda idealdir. Sinyaller seyrek olmadığında veya gürültü sinyallere göre yüksek olduğunda sıkıştırılmış algılamadan kaçının; geri kazanım kalitesi seyreklik ve ölçüm sinyal-gürültü oranına bağlıdır.
Güçlü yönler & sınırlılıklar
- Nyquist altı örnekleme ve elde etmeyi mümkün kılarak veri elde etme maliyetlerini, süresini ve güç tüketimini azaltır.
- Seyreklik koşulu karşılandığında son derece az ölçümle kesin sinyal yeniden yapılandırması sağlar.
- Rastgele ölçüm matrisleri evrenseldir; aynı ölçümler farklı seyrek tabanlar için çalışır.
- Dışbükey optimizasyon formülasyonu sayesinde eksik veya bozuk ölçümlere karşı doğal olarak sağlamdır.
- Kısıtlı izometri özelliği analizi yoluyla geri kazanım başarısı için teorik garantiler sunulur.
- Sinyallerin bilinen bir tabanda seyrek olmasını gerektirir; seyrek olmayan sinyaller az sayıda ölçümden geri kazanılamaz.
- Yeniden yapılandırma, doğrusal olmayan optimizasyon problemlerinin çözülmesini gerektirir, bu da basit örneklemeye kıyasla hesaplama açısından pahalıdır.
- Başarı, seyrek tabanın doğru seçimine bağlıdır; seyreklik tabanı yanlışsa geri kazanım başarısız olur.
- Ölçüm tabanı ile seyreklik tabanı arasında tutarsızlık gerektirir, bu pratikte her zaman sağlanamayabilir.
- Ölçüm S/N oranının düşük olduğu yüksek gürültülü rejimlerde performans önemli ölçüde düşer.
SSS
Seyreklik ile gereken ölçüm sayısı arasındaki ilişki nedir?
k-seyrek bir sinyal (k sıfır olmayan katsayı) için, geri kazanım en az O(k·log(N)) rastgele ölçüm gerektirir; burada N tam sinyal boyutudur. Bu, Nyquist örneklemesinin gerektirdiği N ölçümden çok daha azdır. Gerekli ölçüm sayısı seyreklik seviyesi k ve sinyal boyutu N'ye bağlıdır. Daha yüksek seyreklik orantılı olarak daha az ölçüm gerektirir, ancak aşırı Nyquist altı faktörler için çok yüksek seyreklik gereklidir.
Kısıtlı izometri özelliği nedir ve neden önemlidir?
Kısıtlı izometri özelliği (RIP), bir ölçüm matrisinin seyrek sinyaller arasındaki mesafeleri ne kadar iyi koruduğunu ölçer. Bir ölçüm matrisi, tüm k-seyrek vektörlerin normunu yaklaşık olarak koruyorsa RIP-k'yi sağlar. Güçlü RIP, tüm k-seyrek sinyallerin başarılı bir şekilde geri kazanılmasını garanti eder. RIP hem ölçüm matrisine hem de seyreklik tabanına bağlıdır; tutarsız ölçüm ve seyreklik tabanlarının doğru tasarımı iyi bir RIP sağlar.
Sinyalim için seyrek tabanı nasıl seçerim?
İdeal olarak, sinyalinizin az sayıda sıfır olmayan katsayıya sahip olduğu bir taban seçin. Yaygın seçenekler Fourier (sinüzoidal içerik için), dalgacıklar (geçici ve çok ölçekli içerik için) veya eğitim verilerinden öğrenilmiş sözlüklerdir. Emin değilseniz, birden fazla tabanı deneyin ve seyrekliklerini doğrulayın: katsayıların histogramını inceleyin ve çoğunun sıfıra yakın olduğunu kontrol edin. Seçtiğiniz tabanda sinyal ne kadar seyrekse, sıkıştırılmış algılama o kadar iyi çalışacaktır.
Sinyal geri kazanımı için hangi optimizasyon algoritmaları kullanılır?
En titiz yaklaşım, L1-minimizasyonunu çözen bazis arayışı (BP): Φx = y kısıtına tabi olarak ||x||₁'i minimize edin. BP'nin güçlü teorik garantileri vardır ancak hesaplama açısından pahalıdır. Daha hızlı alternatifler arasında yinelemeli eşikleme (ISTA/FISTA), ortogonal eşleştirme arayışı (OMP) ve aşamalı algoritmalar bulunur. Gerçek zamanlı uygulamalar için, OMP gibi açgözlü algoritmalar hızlı yaklaşık geri kazanım sağlar. Hesaplama hızı ve geri kazanım kalitesi arasında bir denge mevcuttur.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Compressive Sensing (Compressed Sensing) Signal Acquisition. ScholarGate. https://scholargate.app/tr/signal-processing/compressive-sensing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Uyarlanabilir LMS FiltresiSinyal işleme↔ karşılaştır
- Kesikli Darbe Yanıtlı (FIR) Filtre TasarımıSinyal işleme↔ karşılaştır
- Güç Spektral Yoğunluk TahminiSinyal işleme↔ karşılaştır
- Kısa Süreli Fourier DönüşümüSinyal işleme↔ karşılaştır