當樣本資料為稀疏矩陣時，對學習任務有不少好處：
稀疏矩陣：矩陣的 每一行/列都包含大量的零元素， 且這些零元素沒有出現在同一行/列中。（非零元素遠小於零元素）
字典學習：側重於為普通稠密表達的樣本找到乙個合適的矩陣
稀疏表示：將樣本轉化為合適的稀釋表示形式，從而使學習任務變得簡單
壓縮感知在前些年也是風風火火，與特徵選擇、稀疏表示不同的是：通過欠取樣資訊來恢復全部資訊。在實際問題中，為了方便傳輸和儲存，我們一般將數字資訊進行壓縮，這樣就有可能損失部分資訊，如何根據已有的資訊來重構出全部訊號，這便是壓縮感知的來歷，壓縮感知的前提是已知的資訊具有稀疏表示。
通過已知的欠取樣資訊求出稀疏樣本表示，然後通過稀疏基求得原訊號。
壓縮感知分為「感知測量」和「重構恢復」兩部分：
>> 矩陣補全的方法
稀疏表示與壓縮感知
最近在看機器學習時，看到一章關於稀疏學習的，之前有了解過稀疏表示與壓縮感知，但是兩者之間的差異並不是很清楚，今天就總結一下吧 稀疏表示 稀疏域模型 sparse land model 即訊號的稀疏表示，它意欲用盡可能少的非0係數表示訊號的主要資訊，從而簡化訊號處理問題的求解過程。稀疏域模型可如表示式...
稀疏表示 字典學習和壓縮感知（基本概念）
當樣本資料是乙個稀疏矩陣時，對學習任務來說會有不少的好處，例如很多問題變得線性可分，儲存更為高效等。這便是稀疏表示與字典學習的基本出發點。稀疏矩陣即矩陣的每一行 列中都包含了大量的零元素，且這些零元素沒有出現在同一行 列，對於乙個給定的稠密矩陣，若我們能通過某種方法找到其合適的稀疏表示，則可以使得學...
取樣與壓縮感知
光學基礎知識大講堂 第11期 取樣與壓縮感知 日常生活中，我們通常會遇到這樣的情況，當你看乙個電風扇，剛開始你能分辨得出轉動的方向，速度達到一定程度的時候你已經分辨不出來了，甚至會產生錯覺，似乎扇葉在倒著轉！圖1 風扇轉動 於網路 其實，這就是取樣的問題。在前面全息技術那一期中也有提到過人眼的視覺滯...