Seperti yang dikatakan @sansuiso, penginderaan terkompresi adalah cara untuk memperoleh sinyal yang efisien jika sinyal jarang atau dapat dikompres.
Compressed Sensing efisien karena sinyal multiplexing, maka jumlah sampel multiplexing (disebut pengukuran) lebih kecil dari jumlah sampel yang dibutuhkan oleh Shannon-Nyquist di mana tidak ada asumsi kuat pada sinyal.
Dalam kasus tanpa suara, dapat ditunjukkan bahwa pemecah rekonstruksi penginderaan tekan dapat memulihkan solusi yang tepat.
Dalam kasus kompresibel, berbeda dengan kasus yang jarang, dapat ditunjukkan bahwa kesalahan rekonstruksi dibatasi.
Dan ya, sebagian besar sinyal, termasuk ultrasound entah bagaimana jarang atau dapat dikompresi. Biasanya turun untuk mencari tahu kamus di mana sinyalnya jarang. Pakar domain umumnya mengetahui hal-hal ini.
Pertanyaan menarik yang Anda miliki adalah: Bayangkan Anda memiliki sinyal non sparse dan kemudian menambahkan nol untuk membuatnya jarang dan kemudian menggunakan penginderaan terkompresi untuk sampel sinyal itu, bukankah lebih baik daripada langsung mengambil sampel sinyal penuh?
Jawabannya adalah tidak.
Ternyata persyaratan pengambilan sampel untuk pekerjaan CS membutuhkan informasi lebih dari sekadar melakukan pengambilan sampel penuh dari sinyal asli (penuh / tidak nol). Dengan kata lain, jumlah pengukuran CS yang dibutuhkan akan lebih tinggi dari jumlah elemen non-nol dalam sinyal. Dengan sparsifikasi sinyal, Anda "kehilangan" dengan sengaja informasi tentang di mana sinyal didukung (yaitu tidak nol). Bagian tersulit dari Compressive Sensing dan solver rekonstruksi yang dipecahkan adalah menemukan lokasi di mana elemen-elemen sinyal non-nol itu hidup: sampling sinyal itu. Memang, menemukan lokasi elemen non-nol dari sinyal adalah alasan kita berbicara tentang penginderaan tekan menjadi NP-Hard,
Mari saya jelaskan dengan cara lain: Mari kita asumsikan sebuah sinyal memiliki komponen K bukan nol. Jika Anda tahu lokasi elemen K ini, maka Anda hanya perlu informasi K untuk mengetahui sinyal Anda. Jika Anda menambahkan nol di mana saja dalam sinyal dan membuat sinyal berukuran N, Anda sekarang perlu mengambil sampel sinyal N kali melalui pengambilan sampel tradisional atau O (Klog (K / N)) kali dengan pendekatan penginderaan tekan. Sejak O (Klog (K / N)> K, kehilangan informasi tentang lokasi elemen bukan nol telah menghasilkan sampel / pengukuran yang lebih besar.
Anda mungkin tertarik membaca blog kecil saya tentang topik ini:
http://nuit-blanche.blogspot.com/search/label/CS
Dan sumber daya berikut:
http://nuit-blanche.blogspot.com/p/teaching -compressed-sensing.html