10 Mahm

Compressed Sensing
Miguel A. Hern andez-Medina

de Matem atica Aplicada a las Tecnolog as de la Informaci on ETSIT, Universidad Polit ecnica de Madrid
1 Departamento
Abril 2010
Indice
Qu e es el Compressed Sensing?
Ejemplo
Medidas. Propiedad RIP
Aproximaci on
Compresi on
x (n)
Tx
q (Tx )
Se nal
Transformada
Cuantizaci on
Compresi on
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1000 900 800 700 600 500 400 300 200 100 0
K << N
DFT
Coeficientes significativos
2000
4000
6000
8000
10000
12000
14000
2000
4000
6000
8000
10000
12000
14000
T revela la estructura de la se nal
Compresi on
x (n)
Tx
q (Tx )
Se nal
Transformada
Cuantizaci on
Compresi on
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1000 900 800 700 600 500 400 300 200 100 0
K << N
DFT
2000
4000
6000
8000
10000
12000
14000
2000
4000
6000
8000
10000
12000
14000
Compresi on
x (n)
Tx
q (Tx )
Se nal
Transformada
Cuantizaci on
Compresi on
400
350
300
DFT
250
200
150
100
50
4 0 2000 4000 6000 8000 10000 12000
0 0 2000 4000 6000 8000 10000 12000
Compresi on. Transformada

1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1000 900 800 700 600 500 400 300 200 100 0
K << N
DFT
2000
4000
6000
8000
10000
12000
14000
2000
4000
6000
8000
10000
12000
14000
T Se nales objeto
00000 11111 00000 11111 000000000 111111111 00000 11111 111111111 000000000 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111
Subespacios coordenados
Compressed Sensing Podemos medir directamente la parte signicativa de la se nal?
Compresi on. Transformada

1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1000 900 800 700 600 500 400 300 200 100 0
K << N
DFT
2000
4000
6000
8000
10000
12000
14000
2000
4000
6000
8000
10000
12000
14000
T Se nales objeto
00000 11111 00000 11111 000000000 111111111 00000 11111 111111111 000000000 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 000000000000000 111111111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111 00000 11111 000000000 111111111
Subespacios coordenados
Compressed Sensing Podemos medir directamente la parte signicativa de la se nal?
Compressed Sensing
Adquisici on de la se nal (SENSING)
Muestreo j = [0, . . . , 0, 1, 0 . . . , 0] j , x = x[j ]
Compressed Sensing
Muestreo j = [0, . . . , 0, 1, 0 . . . , 0] j , x = x[j ]
Medidas generalizadas = [1 , 2 , . . . , n ] , x = m
Compressed Sensing
yk = k , x , M
y
1 2
N.
matriz de medidas El vector dato es y Cuestiones C omo reconstruir la se nal a partir de y ?, M ?, ?

N 1
M N
Compressed Sensing
yk = k , x , M
y
1 2
N.

N 1
M N
Compressed Sensing
yk = k , x , M
y
1 2
N.

N 1
M N
Ejemplo
Ejemplo
Ejemplo
Ejemplo: recuperaci on se nal discreta dispersa

Construcci on de la se nal
% N % K
longitud de la se~ nal = 2048; Se~ nal K-dispersa = 50;
% se~ nal aleatoria +/- 1 x = zeros(N,1); q = randperm(N); x(q(1:K)) = sign(randn(K,1));
Ejemplo
N umero minimo de medidas
x es K -disperso x
0
= {j | |xj | = 0} K
K + K = 2K inc ognitas M 2K
N 1
Ejemplo
x
i1 xi1
i2
xi2
x es K -disperso x
0
= {j | |xj | = 0} K
K + K = 2K inc ognitas
iK xi
M 2K
N 1
Ejemplo
x
i1 xi1
i2
xi2
x es K -disperso x
0
= {j | |xj | = 0} K
K + K = 2K inc ognitas
iK xi
M 2K
N 1
Ejemplo
Condici on necesaria sobre la matriz de medidas
x K = {u RN | u
K }, x es K -dispersa
matriz de medidas. x = y vector informaci on
Ejemplo
x K = {u RN | u
K }, x es K -dispersa
matriz de medidas. x = y vector informaci on

x + ker
Ejemplo

x , x K = {u RN | u
0
K }, x , x son K -dispersas
matriz de medidas. x = y = x
x + ker x
x x ker 2K No se puede reconstruir x
Ejemplo

x K = {u RN | u
K }, x son K -dispersa
matriz de medidas. x = y = x
x + ker x
Reconstrucci on = ker 2K = {0}
Ejemplo

: RN RM (M 2K )
N
Ejemplo

: RN RM (M 2K )
N
i1
i2
i2K
Condici on necesaria ker 2K = {0} todo conjunto de 2K columnas es l.i.
Ejemplo

: RN RM (M 2K )
N
i1
i2
i2K
Condici on necesaria ker 2K = {0} todo conjunto de 2K columnas es l.i.
Ejemplo

: RN RM (M 2K )
Condici on necesaria ker 2K = {0} todo conjunto de 2K columnas es l.i. Para una reconstrucci on efectiva no es suciente
Ejemplo

: RN RM (M 2K )
N
i1
i2
i2K
Posible soluci on
Todo conjunto de 2K columnas de sea casi ortonormal
Ejemplo
Esfera M-dimensional
Sea v = [0, . . . , 0, 1] RM

f (w) = v, w para w S M 1 (continua) P (|f (w)| < )?
Ejemplo
Sea v = [0, . . . , 0, 1] RM f (w) = v, w para w S M 1 (continua) P (|f (w)| < ) = Area Area Total
Ejemplo
Sea v = [0, . . . , 0, 1] RM f (w) = v, w para w S M 1 (continua) Ap. desigualdad de Brunn-Minkowsky P (f (w) > 0) = P (f (w) < 0) =
1 2
Ejemplo
1 2
2 /4
Entonces P (|f (w)| < ) 1 2e M
Ejemplo
1 2
2 /4
Entonces P (|f (w)| < ) 1 2e M Si = ( > 1), M P (|f (w)| < ) 1 2e
2 /4
Ejemplo
1 2
2 /4
Entonces P (|f (w)| < ) 1 2e M
Utilizar el azar para que todo conjunto de 2K columnas de sea casi ortonormal
Ejemplo

Medidas
Matriz de medidas % M % A % % A Numero de medidas = 300; A matriz gaussiana = randn(M,N); Ortogonalizaci on filas de A = orth(A);
Vector de informaci on % medidas y = A*x;
Ejemplo

Reconstrucci on
Datos y = x vector informaci on x es K -dispersa
Ejemplo

Reconstrucci on
Si ker 2K = {0} x es la u nica se nal K -dispersa tal que x = y
Ejemplo

Reconstrucci on
Si ker 2K = {0} x es la u nica se nal K -dispersa tal que x = y Reconstrucci on argminz RN z

0
tal que z = y
Ejemplo

Reconstrucci on
Si ker 2K = {0} x es la u nica se nal K -dispersa tal que x = y Reconstrucci on argminz RN z

0
tal que z = y
()
El problema (*) es NP-hard!
Ejemplo

Normas
p
p p
= |x1 |p + + |xN |p 1
Las normas
con 0 p 1 favorecen soluciones dispersas
Ejemplo

Normas
p
p p
= |x1 |p + + |xN |p 1
Las normas
con 0 p 1 favorecen soluciones dispersas

Soluci on no dispersa x + ker x + ker
Ejemplo

Minimizaci on
1
N 1
M N
K disperso
x K x = argminz RN z
1
tal que z = x
Ejemplo

Minimizaci on
1
1
tal que z = x
Ejemplo

Minimizaci on
1
1
tal que z = x
x =x
Un poco de Teor a
Sensing. Propiedad RIP

cs
x d x d
Aproximaci on
x + ker
cs
Sensing. Propiedad RIP

cs
x d x d
cs

x
1 2
M N
N 1
Objetivo Contruir matrices capaces de codicar la informaci on del mayor conjunto posible de se nales
N = {i }N i =1 base ortonormal de R
Para todo vector x RN se tiene

N
x=
i =1
i i ,
i = x , i
no tiene necesariamente que ser una base ortonormal

Base, Frame

N
x=
i =1
i i ,
i = x , i
no tiene necesariamente que ser una base ortonormal

Base, Frame

N
x=
i =1
i i ,
i = x , i

N
x=
i =1
i i ,
i = x , i


N
x=
i =1
i i ,
i = x , i
K () se nales K -dispersas respecto de Si x K (), 1 2 N 0 x1 i 1 x2 . . = . . . . iK xN 0

Supongamos que disponemos de M < N medidas del vector x RN i , x , i = 1, 2, . . . M . Matricialmente lo anterior se puede expresar como y = x matriz de medidas, base de dispersi on cs = matriz CS

Supongamos que disponemos de M < N medidas del vector x RN i , x , i = 1, 2, . . . M . Matricialmente lo anterior se puede expresar como y = x matriz de medidas, base de dispersi on cs = matriz CS
M
y
1 2
M N
N 1

Supongamos que disponemos de M < N medidas del vector x RN i , x , i = 1, 2, . . . M . Matricialmente lo anterior se puede expresar como y = x = = cs matriz de medidas, base de dispersi on cs = matriz CS
M
y
1 2
M N
N 1
Propiedad RIP. Isometr as restingidas

Sea cs CM N . (Matriz CS, M N)
s Para T {1, 2, . . . , N } con |T | = S c on de cs formada T es la secci por las columnas T . Si T = {i1 , i2 , . . . , iS }

N
i1 i2
cs
iS
Para cada entero 1 S M sea S el n umero m as peque no que verica s c Tz 2 (1 S ) (1 + S ), z RS z 2 para cada subconjunto T {1, 2, . . . , N } de cardinalidad S . Si 0 < S < 1 cs es una isometr a restringida de orden S .
Sea cs CM N . (Matriz CS, M
N)
s Para T {1, 2, . . . , N } con |T | = S c on de cs formada T es la secci por las columnas T .
Para cada entero 1 S M sea S el n umero m as peque no que verica s c Tz 2 (1 + S ), z RS (1 S ) z 2 para cada subconjunto T {1, 2, . . . , N } de cardinalidad S . Si 0 < S < 1 cs es una isometr a restringida de orden S .
Sea cs CM N . (Matriz CS, M
N)
s Para T {1, 2, . . . , N } con |T | = S c on de cs formada T es la secci por las columnas T .
Para cada entero 1 S M sea S el n umero m as peque no que verica s c Tz 2 (1 + S ), z RS (1 S ) z 2 para cada subconjunto T {1, 2, . . . , N } de cardinalidad S . Si 0 < S < 1 cs es una isometr a restringida de orden S .
Propiedad RIP
Geometr a de la propiedad RIP
Cuanto menor sea S m as cerca c s estar an las secciones T de ser isometr as
z 2
s c T
z 2
RS
RM
Propiedad RIP
Cuanto menor sea S m as cerca s de ser estar an las secciones c T isometr as S mide la ortonormalidad de las columnas de las secciones s c T con |T | = S
Si S = 0 todos los conjuntos de columnas de S elementos son ortonormales. Si S = 1 existe una submatriz s tal que rank c T < S.
RS
z 2
s c T
z 2
RM
Propiedad RIP
Cuanto menor sea S m as cerca s de ser estar an las secciones c T isometr as S mide la ortonormalidad de las columnas de las secciones s c T con |T | = S
Si S = 0 todos los conjuntos de columnas de S elementos son ortonormales. Si S = 1 existe una submatriz s tal que rank c T < S.
RS
z 2
s c T
z 2
RM
Propiedad RIP
Cuanto menor sea S m as cerca c s estar an las secciones T de ser isometr as S mide la ortonormalidad de las columnas de las secciones s c T con |T | = S Una isometr a restringida puede permitir una reconstrucci on robusta
x d x
cs
cs
CS y matrices RIP
cs RM N isometr a restringida de orden S Objetivos
CS y matrices RIP
cs RM N isometr a restringida de orden S Objetivos
S K
+ Se nales codicadas
Propiedad RIP
C alculo de S
T {1, 2, . . . , N } con |T | = S .
s cs 2 2 ((c T ) T ) [(1 S ) , (1 + S ) ]
Propiedad RIP
C alculo de S
T {1, 2, . . . , N } con |T | = S .
s cs 2 2 ((c T ) T ) [(1 S ) , (1 + S ) ]
s Para calcular S : SVD de todas las submatrices c T con |T | = S .
Propiedad RIP
C alculo de S
T {1, 2, . . . , N } con |T | = S .
s cs 2 2 ((c T ) T ) [(1 S ) , (1 + S ) ]
s Para calcular S : SVD de todas las submatrices c T con |T | = S .
Hay
N S
N! S !(N S )!
s matrices c T con |T | = S
Propiedad RIP
C alculo de S
No hay forma efectiva de comprobar si una matriz cs verica RIP
Propiedad RIP
C alculo de S
No hay forma efectiva de comprobar si una matriz cs verica RIP No hay algoritmos deterministas que construyan matrices RIP con S grande (de Vore 07)
Propiedad RIP
C alculo de S
No hay forma efectiva de comprobar si una matriz cs verica RIP No hay algoritmos deterministas que construyan matrices RIP con S grande (de Vore 07) Soluci on: hacer intervenir al azar
Matrices RIP
Matrices gaussianas y de Rademacher
Si RM N , Matriz gaussiana ij = Xij i.i.d. N (0, 1/M ) Matriz de Rademacher 1 ij = Xij N Xij i.i.d. P (Xij = 1) = 1 2
Matrices RIP
Si RM N , Matriz gaussiana ij = Xij i.i.d. N (0, 1/M ) Matriz de Rademacher 1 ij = Xij N Xij i.i.d. P (Xij = 1) = 1 2
Matrices RIP
Si RM N , Matriz gaussiana ij = Xij i.i.d. N (0, 1/M ) Matriz de Rademacher 1 ij = Xij N Xij i.i.d. P (Xij = 1) = 1 2 < 1 c1 ( ), c2 ( ) > 0
log(N /S )S c1 M S () <
con probabilidad 1 2e c2 M
Matrices RIP
Proyecciones aleatorias
= {i }N i =1 base ortonormal {i1 , i2 , . . . , iM } {1, 2, . . . , N } elegido al azar con probabilidad uniforme en los subconjuntos de M elementos de {1, 2, . . . , N } i1 i 2 = . . . iM
1 .2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . N
Matrices RIP
= {i }N i =1 base ortonormal {i1 , i2 , . . . , iM } {1, 2, . . . , N } elegido al azar con probabilidad uniforme en los subconjuntos de M elementos de {1, 2, . . . , N } i1 i 2 = . . . iM
1 2 . . . i1 . . . i2 . . . . . . . . . . . . . . . iM N
i1 i2 . . . . . . iM
Matrices RIP
= {i }N i =1 base ortonormal {i1 , i2 , . . . , iM } {1, 2, . . . , N } elegido al azar con probabilidad uniforme en los subconjuntos de M elementos de {1, 2, . . . , N } i1 i 2 = . . . iM < 1 ( ) > 0
M N ( )2 (log(N ))5 S () <
con probabilidad 1 N c
Matrices RIP
< 1 ( ) > 0 = {i }N i =1 base ortonormal {i1 , i2 , . . . , iM } {1, 2, . . . , N } elegido al azar con probabilidad uniforme en los subconjuntos de M elementos de {1, 2, . . . , N } i1 i 2 = . . . iM
M N ( )2 (log(N ))5 S () <
con probabilidad 1 N c ( ) = m ax | k , j |
1k ,j N
1 ( ) , 1 N
Matrices RIP
Ejemplo F base de Fourier = IdN 1 (F ) = N proyecci on aleatoria obtenida de F escogiendo al azar M las.
< 1 ( ) > 0
M (log(N ))5 S () <
con probabilidad 1 N c
Matrices RIP
x R256
6 4 2
50 2 4 6
100
150
200
250
DFT(x)
20
15
10
50
100
150
200
250
x R256 suma de 7 sinusoides
Matrices RIP
x R256
6 4 2
y R80
50 100 150 200 250
4
4
2
6
DFT(x)
20
50 2
100
150
200
250
15
10
50
100
150
200
250
y R80 (80 muestras aleatorias de x )
Matrices RIP
x R256
6 4 2
y R80
4 2
50 2
100
150
200
250
50 2
100
150
200
250
4
6
DFT(x)
20
Reconstrucci on
6 4 2
15
10
2
50
100
150
200
250
5
4 6
50
100
150
200
250
= argmin z
x[ij] = z[ij], = x
Aproximaci on
Aproximaci on
x + ker
Aproximaci on
Aproximaci on por K t erminos

N x RN , = {i }N i =1 base ortonormal de R N
x=
i =1
x [i ]i
1 2 3
|x |
Aproximaci on

x=
i =1
x [i ]i
1 2 3
N 1 2 3
|x |
o| |x
Aproximaci on

x=
i =1
x [i ]i
xK
1 2 3
N 1 2 K
|x |
o| |x
xK =
k =1
o x [k ]ik
Aproximaci on

x=
i =1
x [i ]i
xK
1 2 3
N 1 2 K
|x |
o| |x
x xK
k >K
o |x [k ]|2
Aproximaci on
Aproximaci on
Teorema Fundamental
Y = x + W Teorema Sea cs = . Supongamos que K es tal que 3K (cs ) < 1/3. Sea X = donde = argminz RN z
1
vericando cs z Y
Existe una constante C ( ) tal que x X

2
C K
o |x [k ]| + C W k >K
o [k ] son los coecientes ordenados de x respecto de . donde x
Aproximaci on
Aproximaci on
Comentarios al teorema
Y = x + W Reconstrucci on exacta W = 0, x K () 3K (cs ) < 1/3 Reconstrucci on perfecta de x x X

2
Aproximaci on sin ruido W =0 3K (cs ) < 1/3 C K

o |x [k ]| k >K
Aproximaci on
Raz on M /K para reconstrucci on exacta
Resumen teorema Una se nal K dispersa puede ser rescontruida de forma exacta si 3K (cs ) < 1/3 K = M /(log N /M )
Aproximaci on
Resumen teorema Una se nal K dispersa puede ser rescontruida de forma exacta si 3K (cs ) < 1/3 K = M /(log N /M ) Estimaciones de suelen ser pesimistas
Aproximaci on
Resumen teorema Una se nal K dispersa puede ser rescontruida de forma exacta si 3K (cs ) < 1/3 K = M /(log N /M ) Estimaciones de suelen ser pesimistas
Utilizando t ecnicas estad sticas M = 100, gaussiana N 512 1024 2048 4096 M/K 6,2 7,7 11 16
Aproximaci on
M as informaci on: http://dsp.rice.edu/cs
Aproximaci on
Preguntas?

10 Mahm

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

10 Mahm

Uploaded by

Copyright:

Available Formats

Compressed Sensing

Miguel A. Hern andez-Medina

Medidas. Propiedad RIP

1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1

T revela la estructura de la se nal

1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1

T revela la estructura de la se nal

4 0 2000 4000 6000 8000 10000 12000

0 0 2000 4000 6000 8000 10000 12000

T revela la estructura de la se nal

Compresi on. Transformada

Compressed Sensing Podemos medir directamente la parte signicativa de la se nal?

Compresi on. Transformada

Compressed Sensing Podemos medir directamente la parte signicativa de la se nal?

Muestreo j = [0, . . . , 0, 1, 0 . . . , 0] j , x = x[j ]

Muestreo j = [0, . . . , 0, 1, 0 . . . , 0] j , x = x[j ]

matriz de medidas El vector dato es y Cuestiones C omo reconstruir la se nal a partir de y ?, M ?, ?

matriz de medidas El vector dato es y Cuestiones C omo reconstruir la se nal a partir de y ?, M ?, ?

matriz de medidas El vector dato es y Cuestiones C omo reconstruir la se nal a partir de y ?, M ?, ?

Ejemplo: recuperaci on se nal discreta dispersa

longitud de la se~ nal = 2048; Se~ nal K-dispersa = 50;

% se~ nal aleatoria +/- 1 x = zeros(N,1); q = randperm(N); x(q(1:K)) = sign(randn(K,1));

N umero minimo de medidas

N umero minimo de medidas

N umero minimo de medidas

Condici on necesaria sobre la matriz de medidas

matriz de medidas. x = y vector informaci on

Condici on necesaria sobre la matriz de medidas

matriz de medidas. x = y vector informaci on

Condici on necesaria sobre la matriz de medidas

x x ker 2K No se puede reconstruir x

Condici on necesaria sobre la matriz de medidas

Reconstrucci on = ker 2K = {0}

Condici on necesaria sobre la matriz de medidas

Condici on necesaria sobre la matriz de medidas

Condici on necesaria ker 2K = {0} todo conjunto de 2K columnas es l.i.

Condici on necesaria sobre la matriz de medidas

Condici on necesaria ker 2K = {0} todo conjunto de 2K columnas es l.i.

Condici on necesaria sobre la matriz de medidas

Condici on necesaria sobre la matriz de medidas

Todo conjunto de 2K columnas de sea casi ortonormal

f (w) = v, w para w S M 1 (continua) P (|f (w)| < )?

Entonces P (|f (w)| < ) 1 2e M

Entonces P (|f (w)| < ) 1 2e M Si = ( > 1), M P (|f (w)| < ) 1 2e

Entonces P (|f (w)| < ) 1 2e M

Ejemplo: recuperaci on se nal discreta dispersa

Vector de informaci on % medidas y = A*x;

Ejemplo: recuperaci on se nal discreta dispersa

Datos y = x vector informaci on x es K -dispersa

Ejemplo: recuperaci on se nal discreta dispersa

Datos y = x vector informaci on x es K -dispersa

Si ker 2K = {0} x es la u nica se nal K -dispersa tal que x = y

Ejemplo: recuperaci on se nal discreta dispersa

Datos y = x vector informaci on x es K -dispersa

Si ker 2K = {0} x es la u nica se nal K -dispersa tal que x = y Reconstrucci on argminz RN z

Ejemplo: recuperaci on se nal discreta dispersa

Datos y = x vector informaci on x es K -dispersa

Si ker 2K = {0} x es la u nica se nal K -dispersa tal que x = y Reconstrucci on argminz RN z

El problema (*) es NP-hard!

Ejemplo: recuperaci on se nal discreta dispersa

con 0 p 1 favorecen soluciones dispersas

Ejemplo: recuperaci on se nal discreta dispersa

con 0 p 1 favorecen soluciones dispersas