众文网1.请问研究压缩感知需要学哪些相关知识
我个人觉得，数字信号处理和数字图像处理是针对具体的应用领域做基础知识学习。而你说的压缩感知是一种高于具体应用领域的智能算法，压缩感知可以用于数字信号方面，同样也可以应用与数字图像处理。确切的说数字信号处理包含了数字图像处理，只是数字图像处理后来发展了跟多深入的知识，所以又把其独立成一门课程。比如Mallat的《信号处理的小波导引：稀疏方法（原书第3版）》这本书上的内容，就大部分说的应用时数字图像。
总之，数字信号处理、数字图像处理肯定是要学的，否则你学了压缩感知也不知道用在什么领域，要具体学习压缩感知方面的知识，再去看看IEEE里的一些论文还有一些博士论文。
2.求一篇感知压力的论文
如何面对压力人们一直生活在两种压力中，一是作用于躯体的物理压力，如大气压、地心吸引力、心脏压力等，这些压力维持生命形式.二是内在的精神压力，如生存竞争的压力、对危险与死亡的恐惧、人际压力、情绪与情感的 压力等，这些压力保持人的警觉（清醒状态）和合适的行为模式.做好压力管理首要原则是要对压力有所觉察.机体对压力往往有一种天生的吸收-缓冲机制，一般的生活压力会被身体转化成活力与激情.如果一个人生活在流动的、不停变化的压力丛中，他的机体不仅可以是健康的，也是有饱满能量的.压力过小的生活让人消沉、昏昏欲睡、机体懈怠、思维变慢.但有两种压力可能使机体调节失常，一是突如其来的过大压力，二是持续不变低量的压力.觉察压力有三个层次：稍微过多的压力引发纷乱的情绪.较大的压力带来躯体各种不适反应.过大的压力出现意识缩窄，对环境反应迟钝，心身处在崩溃的边缘.压力管理的第二个原则是平衡.躯体与精神两种压力有点像翘翘板，躯体压力大，精神压力也会慢慢增大，反之亦然.通过放松来释放躯体压力，精神的压力也在释放.当我们集中心智工作太久，或者长期处在竞争的状态里，可通过机体的放松来释放内在的压力.而当我们懈怠太久，无所事事的时候，通过机体的运动来保持精神的活力.压力管理的第三个原则是处理压力的技术.管理好各类压力有很多可操作的好方法，如写压力日记、生物反馈、肌肉放松训练、冥想与想象、倒数放松、自我催眠、一分钟放松技巧等，并按照各种生活场景给予恰当的提示与指导，可以作为人们压力管理的手册.压力管理的第四个原则是保持积极心态.良好的心态可增加人们应对压力的能力，不良的心态本身就像一团乱麻，干扰人的内心.当然，更主要的是要对压力有正确的观念.压力并不可怕，可怕的是我们对压力有不恰当的观念与反应.越怕压力就越会生活在压力的恐惧中，喜欢压力的人在任何压力面前都会游刃有余.如果学会管理压力，就可把压力变成实实在在的动力：行为有效、感情丰富、精力充沛……。
3.压缩感知的主要应用
认知无线电方向：宽带谱感知技术是认识无线电应用中一个难点和重点。它通过快速寻找监测频段中没有利用的无线频谱，从而为认知无线电用户提供频谱接入机会。传统的滤波器组的宽带检测需要大量的射频前端器件，并且不能灵活调整系统参数。普通的宽带接收电路要求很高的采样率，它给模数转换器带来挑战，并且获得的大量数据处理给数字信号处理器带来负担。针对宽带谱感知的难题，将压缩感知方法应用到宽带谱感知中：采用一个宽带数字电路，以较低的频谱获得欠采样的随机样本，然后在数字信号处理器中采用稀疏信号估计算法得到宽带谱感知结果。
信道编码：压缩传感理论中关于稀疏性、随机性和凸最优化的结论可以直接应用于设计快速误差校正编码， 这种编码方式在实时传输过程中不受误差的影响。在压缩编码过程中， 稀疏表示所需的基对于编码器可能是未知的. 然而在压缩传感编码过程中， 它只在译码和重构原信号时需要， 因此不需考虑它的结构， 所以可以用通用的编码策略进行编码. Haupt等通过实验表明如果图像是高度可压缩的或者SNR充分大， 即使测量过程存在噪声， 压缩传感方法仍可以准确重构图像。 波达方向估计：目标出现的角度在整个扫描空间来看，是极少数。波达方向估计问题在空间谱估计观点来看是一个欠定的线性逆问题。通过对角度个数的稀疏限制，可以完成压缩感知的波达方向估计。
波束形成：传统的 自适应波束形成因其高分辨率和抗干扰能力强等优点而被广泛采用。但同时它的高旁瓣水平和角度失匹配敏感度高问题将大大降低接收性能。为了改进Capon 波束形成的性能，这些通过稀疏波束图整形的方法限制波束图中阵列增益较大的元素个数，同时鼓励较大的阵列增益集中在波束主瓣中，从而达到降低旁瓣水平同时，提高主瓣中阵列增益水平，降低角度失匹配的影响。例如，最大主瓣旁瓣能量比，混合范数法，最小全变差。 运用压缩传感原理， RICE大学成功研制了\单像素压缩数码照相机。 设计原理首先是通过光路系统将成像目标投影到一个数字微镜器件（DMD）上， 其反射光由透镜聚焦到单个光敏二极管上， 光敏二极管两端的电压值即为一个测量值y， 将此投影操作重复M次， 得到测量向量 ， 然后用最小全变分算法构建的数字信号处理器重构原始图像。数字微镜器件由数字电压信号控制微镜片的机械运动以实现对入射光线的调整。 由于该相机直接获取的是M次随机线性测量值而不是获取原始信号的N(M,N)个像素值， 为低像素相机拍摄高质量图像提供了可能.。
压缩传感技术也可以应用于雷达成像领域， 与传统雷达成像技术相比压缩传感雷达成像实现了两个重要改进： 在接收端省去脉冲压缩匹配滤波器； 同时由于避开了对原始信号的直接采样， 降低了接收端对模数转换器件带宽的要求. 设计重点由传统的设计昂贵的接收端硬件转化为设计新颖的信号恢复算法， 从而简化了雷达成像系统。 生物传感中的传统DNA芯片能平行测量多个有机体， 但是只能识别有限种类的有机体， Sheikh等人运用压缩传感和群组检测原理设计的压缩传感DNA芯片克服了这个缺点。 压缩传感DNA芯片中的每个探测点都能识别一组目标， 从而明显减少了所需探测点数量. 此外基于生物体基因序列稀疏特性， Sheikh等人验证了可以通过置信传播的方法实现压缩传感DNA芯片中的信号重构。
4.谁能解释一下压缩感知的用途和基本原理
压缩感知，又称压缩采样，压缩传感。它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist 采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。压缩感知理论一经提出，就引起学术界和工业的界的广泛关注。他在信息论、图像处理、地球科学、光学/微波成像、模式识别、无线通信、大气、地质等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。
压缩感知理论的核心思想主要包括两点。
第一个是信号的稀疏结构。传统的Shannon 信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。
另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。压缩感知压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。
5.压缩感知的基本知识
现代信号处理的一个关键基础是 Shannon 采样理论：一个信号可以无失真重建所要求的离散样本数由其带宽决定。但是Shannon 采样定理是一个信号重建的充分非必要条件。在过去的几年内，压缩感知作为一个新的采样理论，它可以在远小于Nyquist 采样率的条件下获取信号的离散样本，保证信号的无失真重建。压缩感知理论一经提出，就引起学术界和工业界的广泛关注。
压缩感知理论的核心思想主要包括两点。第一个是信号的稀疏结构。传统的Shannon 信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。
压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。
6.什么是“压缩感知”
压缩感知， 也成为压缩采样。英文为Compressed Sampling 或者是 Compressive Sening。于2006年被提出，并被美国科技评论评为2007年度十大科技进展。
经典的采样定理为香农/乃奎斯特采样，即要保证信号的完全恢复，至少要有2倍的信号频率采样。但是这种采样当中，其实信息是冗余的。压缩感知告诉我们，如果知道信号是稀疏的，那么可以用远低于乃奎斯特采样率，一样可以很好的恢复信号。
压缩感知的核心：信号是稀疏的（即其中有K个为非零元素，其他的元素都为0），采样矩阵和稀疏基是不相关的。
相关内容较多，百度知道里面一下介绍不清楚。
如果有兴趣可以参考 http://dsp.rice.edu/cs 。这里前17篇是压缩感知的综述，看完后就对概念、模型、求解算法、应用有个整体的了解。网页中间的那么多文献是针对压缩感知理论在各个领域的运用。在最后的部分，是网上现有的针对该问题的求解工具箱，大多数是基于Matlab的。只要分析后自己的模型，可以套用工具箱求解，非常方便。