简介
本课程共计4学时。首先从传统的信号处理理论谈起，介绍Nyquist采样的局限性，以及编码传输潜在的缺陷。其次，我们通过实际例子来说明实际应用中的信号往往具有某种稀疏性或可压缩性。进而引入近年来处理信号的新技术：压缩传感。我们介绍压缩传感的基本理论，以及如何利用带有稀疏正则项的优化模型来重建稀疏信号。最后，介绍求解L1模型的常用数值方法。
授课对象
具备一定数学分析、线性代数与Matlab编程基础的学生
课程内容
介绍近几年兴起的信号处理新技术--压缩传感 (Compressive/Compressed Sensing, CS)，包括例子、理论基础简介、稀疏信号的重建演示。
Some tutorial papers on Compressive Sensing:
1. Emmanuel Candès, Compressive Sampling. (Int. Congress of Mathematics, 3, pp. 1433-1452, Madrid, Spain, 2006)
2. Richard Baraniuk, Compressive sensing. (IEEE Signal Processing Magazine, 24(4), pp. 118-121, July 2007)
3. Emmanuel Candès and Michael Wakin, An introduction to compressive sampling. (IEEE Signal Processing Magazine, 25(2), pp. 21 - 30, March 2008) [High-resolution version]
授课方式
内容介绍（PPT）, 数值试验 (Matlab编程)
上课地点
仙林校区综合实验楼丙区－504
上课时间
该课程2015年春季学期暂停 (给您带来不便，非常抱歉！)
参考资料
更多关于压缩传感的资源（如入门介绍性文章、最新研究成果论文、重建算法、硬件实现等）可见: http://dsp.rice.edu/cs
下载文件
登录查看文件
此处只讨论与本课程相关的问题。
