matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）

Remote_Sensing_Satellite_Map_Segmentation 使用Segnet，SLIC和CRF对轻云和厚云的像素进行分类。

压缩感知(Compressed Sensing, CS)matlab代码。实现多个正弦信号的随机欠采样，通过压缩感知恢复。两个m文件分别是两个算法，正交匹配追踪(OMP)算法和SPGL1算法

压缩感知(Compressed Sensing, CS)matlab代码。实现多个正弦信号的随机欠采样，通过压缩感知恢复。两个m文件分别是两个算法，正交匹配追踪(OMP)算法和SPGL1算法(由E. van den Berg and M. P. Friedlander 提供)。

关于压缩感知技术的几篇经典文章。其中包括：Optimized compressed sensing for curvelet-based seismic data reconstruction.pdf Rebecca Willett, Michael Gehm, and David Brady, Multiscale reconstruction for computational spectral imaging.pdf Richard Baraniuk and Philippe Steeghs, Compressive radar imaging..pdf Single-pixel remote sensing.pdf 以及国内的两个综述文章

稀疏信号恢复问题一直是几个不同社区中广泛研究的主题。 可伸缩恢复算法是压缩感测（CS）的一个至关重要的基本主题，最近几年引起了人们的极大兴趣。 本文首先分析了正交匹配追踪（OMP）算法中的迭代残差。 其次，引入了贪婪算法，称为贪婪OMP算法。 该算法使用贪婪原子识别迭代地识别多个原子，然后丢弃与最佳原子高度相似的一些原子。 与OMP算法相比，对高斯和零一稀疏信号进行的实验表明，提出的GOMP算法可以提供更好的恢复性能。 最后，我们通过实验研究了GOMP中贪婪常数对恢复性能的影响。

模块教程，信号可视化以及一个简单的代码，不仅可以测量正弦波信号，还可以测量所有类型的信号，例如TRMS电流表。 + LCD / OLED。

Geiger计数器使用3D打印外壳中的Arduino Nano，OLED显示屏和锂离子电池测量放射性。

python code to read and process remote sensing data

Remote Sensing of Environment期刊投稿模板 word版