Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
aleatoria Φ de dimensiones que proviene de una La señal de la Fig. 1 puede ser proyectada sobre una matriz
distribución normal con media 0 y varianza aleatoria (matriz de proyecciones) y así reducir el número de
1/ sus componentes (Velázquez 2008). A continuación se
, ~ 0, 1/ .
introduce formalmente el concepto de Compressive Sensing.
El número de proyecciones depende de la densidad
(número de componentes distintas de cero) de la señal de Sea el vector de componentes discretas de la señal
interés, y el número de muestras o componentes discretas la de interés y la matriz cuyas columnas
cual define el tamaño de dicha señal. A fin de ilustrar el pertenecientes a conforman un diccionario de funciones
concepto de sparsity, considere la Fig. 1 donde se observa una básicas (Velázquez 2008) que son usadas para representar
señal compuesta por la suma de tres señales cosenos. señales como combinaciones lineales de ellas. Los vectores
columnas para pueden ser funciones
Señal Sparse en el Dominio de la Frecuencia básicas en el dominio del tiempo, bases de senos y cosenos o un
1.5
conjunto de funciones básicas ortogonales o no que pueden
representar la señal de interés como una combinación lineal de
1
las mismas. Sea la densidad (sparsity) de la señal .
Se dice que es sparse si se puede representar como la
0.5
combinación lineal de vectores contenidos en , es decir:
Amplitud(V)
(1)
-0.5
0.25 (3)
Amplitud
0.2
donde representa la norma definida como el número de
0.15 componentes del vector distintas de cero y es el
0.1
diccionario holográfico (Velázquez 2008). La minimización de
la norma es un problema de optimización altamente no-
0.05 convexo por lo que envuelve dificultades computacionales a
nivel de hardware en su solución (Donoho, 2006), (FitzGerald,
0
0 10 20 30 40 50 60 70 80 90 100 Cranitch & Cychowski, 2006), (Mancera & Portilla, 2006). Por
Frecuencia(Hz)
tal inconveniente, el problema de minimización dado por (3) se
Fig. 2. Densidad espectral de la señal mostrada en la Fig. 1. reformula como:
3
(4)
Señal Sinusoidal
: Matriz de proyecciones aleatorias 150
: Proyecciones aleatorias
100
: Diccionario de funciones básicas
: Residuo inicial 50
Amplitud(V)
: Vector de coeficientes sparse
0
: Diccionario holográfico
-50
: Contador de iteraciones
: Residuo en la iteración
-150
0 100 200 300 400 500 600 700 800 900 1000
: Residuo en la iteración Tiempo(ms)
: Norma de
50
: Fracción de la energía mínima en el residuo
Amplitud(V)
Señal Sinusoidal
150
100
VI. CONCLUSIONES
50 En este artículo se comprueba el potencial de Compressive
Sensing y Matching Pursuit en la reconstrucción de señales
Amplitud(V)
0
poco densas en el dominio de la frecuencia partiendo de un
limitado número de proyecciones aleatorias (muestras) y su
descomposición como una combinación lineal de señales bases
-50
sinusoidales contenidas en el diccionario de funciones
previamente diseñado.
-100
REFERENCIAS BIBLIOGRÁFICAS
-150
0 100 200 300 400 500 600 700 800 900 1000
Tiempo(ms)
Candés, E., Romberg, J., & Tao, T. (2006). Robust Uncertainty Principles:
Fig. 9. 120 sin 2 60 distorsionada por 6 armónicos Exact Signal Reconstruction from Highly Incomplete Frequency Information.
que incluyen una componente continua. IEEE Transactions On Information Theory , 52 (2), 489-509.