전산물리학:압축_센싱

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision		 Previous revision
Last revisionBoth sides next revision
전산물리학:압축_센싱 [2019/01/22 11:45] – [푸리에 공간에서 희박한 신호] admin전산물리학:압축_센싱 [2021/12/17 19:52] – [푸리에 공간에서 희박한 신호] admin
Line 19: Line 19:
 N = 256             # length of signal N = 256             # length of signal
 P = 5               # number of non-zero peaks P = 5               # number of non-zero peaks
-K = 64              # number of measurements to take (N < L)+K = 64              # number of measurements to take
 x = zeros(N,float)  # original signal (P-sparse) x = zeros(N,float)  # original signal (P-sparse)
  
Line 49: Line 49:
 이 예는 참고문헌 항목 중 pyrunner.com의 내용으로부터 일부를 수정하여 가져온 것이다. 이 예는 참고문헌 항목 중 pyrunner.com의 내용으로부터 일부를 수정하여 가져온 것이다.
 실공간 상에서는 조밀하지만 실제로는 몇 개의 주파수만이 중요한 신호를 생각해보자. 예컨대 다음과 같은 신호는 단 2개의 주파수 성분만을 지닌다: 실공간 상에서는 조밀하지만 실제로는 몇 개의 주파수만이 중요한 신호를 생각해보자. 예컨대 다음과 같은 신호는 단 2개의 주파수 성분만을 지닌다:
-$$x = \sin(240 \pi t) + \sin (400 \pi t).$$ +$$x = \sin(10 \pi t) + \sin (54 \pi t).$$ 
-이산 코사인 변환(discrete cosine transform, DCT)를 통해 이 신호를 푸리에 공간으로 옮기고 압축 센싱을 실행한 다음 역변환을 할 것이다. 그런데 앞의 코드를 재활용하기 위해 푸리에 변환을 행렬 곱 형태로 표현하면 편리하다 (단, 계산 시간을 생각하면 비효율적인 선택일 것이다):+이산 사인 변환(discrete sine transform, DCT)를 통해 이 신호를 푸리에 공간으로 옮기고 압축 센싱을 실행한 다음 역변환을 할 것이다. 그런데 앞의 코드를 재활용하기 위해 푸리에 변환을 행렬 곱 형태로 표현하면 편리하다 (계산 시간을 생각하면 비효율적인 선택일 것이다):
 $$\tilde{x} \equiv \mathcal{F}[x] = \Psi \mathbf{x},$$ $$\tilde{x} \equiv \mathcal{F}[x] = \Psi \mathbf{x},$$
 $$x \equiv \mathcal{F}^{-1}[\tilde{x}] = \Psi^{-1} \tilde{\mathbf{x}}.$$ $$x \equiv \mathcal{F}^{-1}[\tilde{x}] = \Psi^{-1} \tilde{\mathbf{x}}.$$
Line 63: Line 63:
 from pylab import plot,show from pylab import plot,show
 from l1eq_pd import l1eq_pd from l1eq_pd import l1eq_pd
-from scipy.fftpack import dct,idct+from scipy.fftpack import dst,idst
  
 # Initialize constants and variables # Initialize constants and variables
 n = 600            # length of signal n = 600            # length of signal
-m = 150            # number of measurements to take+m = 50             # number of measurements to take
  
 # Generate signal with P randomly spread sinusoids # Generate signal with P randomly spread sinusoids
-t = linspace(0,1/16,n) +t = linspace(0,1,n) 
-x = sin(240*pi*t) + sin(400*pi*t)+x = sin(10*pi*t) + sin(54*pi*t)
  
 # Orthonormal basis matrix # Orthonormal basis matrix
-Psi = dct(identity(n), norm='ortho', axis=0) +Psi = dst(identity(n), norm='ortho', axis=0) 
-Psi_inv = idct(identity(n), norm='ortho', axis=0)+Psi_inv = idst(identity(n), norm='ortho', axis=0)
 xt = dot(Psi,x) xt = dot(Psi,x)
  
Line 95: Line 95:
 x_rec = dot(Psi_inv,X_hat)     # IFFT of X_hat(f) x_rec = dot(Psi_inv,X_hat)     # IFFT of X_hat(f)
 plot(x) plot(x)
-plot(x_rec) +plot(x_rec, ".")
-plot(x-x_rec)+
 show() show()
 </Code> </Code>
Line 104: Line 103:
 {{::전산물리학::sensing_fourier2.png?400|}} {{::전산물리학::sensing_fourier2.png?400|}}
  
-첫 번째 그림은 원래 신호와 그 신호를 추출하기 위해서 무작위로 고른 위치들을 보여준다. 두 번째 그림은 원래 신호와 복원된 신호, 그리고 그 둘의 차이를 보여주고 있다. 그 차이는 매우 작다.+첫 번째 그림은 원래 신호와 그 신호를 추출하기 위해서 무작위로 고른 위치들을 보여준다. 두 번째 그림은 원래 신호(실선)와 복원된 신호(점)를 보여주고 있다. 새넌-나이키스트 정리에서 요구하는 것보다 적은 수의 점을 추출했음에도 불구하고 복원된 신호는 원래 신호와 상당히 가깝다. 
 + 
 +=====통계물리적 접근===== 
 + 
 +2012년, L1 norm에 기반한 방법보다 더 적은 데이터를 가지고도 신호를 복원하는 방법이 개발되었다 [Krzakala et al., PRX 2, 021005 (2012)]. 
 + 
 ======참고문헌====== ======참고문헌======
   * https://www.codeproject.com/Articles/852910/Compressed-Sensing-Intro-Tutorial-w-Matlab   * https://www.codeproject.com/Articles/852910/Compressed-Sensing-Intro-Tutorial-w-Matlab
   * http://www.pyrunner.com/weblog/2016/05/26/compressed-sensing-python/   * http://www.pyrunner.com/weblog/2016/05/26/compressed-sensing-python/
   * https://dilawarnotes.wordpress.com/2017/09/06/compressed-sensing-a-python-demo/   * https://dilawarnotes.wordpress.com/2017/09/06/compressed-sensing-a-python-demo/
 +  * https://doi.org/10.1103/PhysRevX.2.021005
  • 전산물리학/압축_센싱.txt
  • Last modified: 2023/09/05 15:46
  • by 127.0.0.1