1. 从有限网格到无限精度:压缩感知的范式革命
十年前我第一次接触压缩感知时,OMP(正交匹配追踪)算法就像是一把瑞士军刀,简单实用但精度有限。当时最让我头疼的就是那个固定网格(Grid)的设定——就像用固定间距的渔网捕鱼,明明知道鱼的位置可能在网格线之间,却只能选择最近的网格点作为估计。这种"On-grid"算法的局限性在DOA(波达方向)估计中尤为明显,当真实信号源偏离预设网格时,估计性能会急剧下降。
原子范数最小化(Atomic Norm Minimization)的出现彻底改变了这一局面。它最吸引我的地方在于完全跳出了网格的束缚,就像把渔网升级成了可以任意调节的智能渔网。2013年我在做一个雷达项目时,传统方法在5度间隔的网格下只能达到3-4度的精度,而改用原子范数方法后,精度直接提升到了0.5度以内。这种突破性的进步让我意识到,我们正在经历压缩感知领域的一场范式革命。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 传统On-grid算法的阿喀琉斯之踵
2.1 OMP算法的网格困境
记得2015年调试一个声呐系统时,我花了整整两周时间反复调整OMP的网格密度。理论上网格越密精度越高,但实际操作中会发现:
- 计算复杂度呈指数增长(从10个网格点到100个,运行时间从秒级变成分钟级)
- 数值稳定性急剧恶化(矩阵条件数可能从1e3飙升到1e10)
- 存在无法消除的系统误差(即使没有噪声,网格不匹配也会导致约0.5倍网格间距的固有误差)
python复制# 典型OMP实现中的网格设置
grid_points = np.linspace(-90, 90, 181) # 1度间隔的网格
dictionary = np.array([steering_vector(f) for f in grid_points])
2.2 网格优化的尝试与局限
后来团队尝试过各种网格优化方案,比如:
- 迭代细化网格(先粗搜再精搜)
- 非均匀网格设计(根据先验信息调整密度)
- 动态网格调整(基于初步估计结果)
但实测下来,这些方法要么计算量太大,要么容易陷入局部最优。最让我印象深刻的是有一次在毫米波雷达测试中,目标实际角度在22.5度,而我们的网格设在20和25度,结果系统始终在这两个点之间振荡,就是无法收敛到真实位置。
