壓縮感知是一種有損的數(shù)據(jù)采樣方法，優(yōu)勢是用少量采樣表示信號；針對同一信號，比傳統(tǒng)采樣方法獲取的采樣數(shù)據(jù)量要小的多。但壓縮感知的劣勢在于從采樣數(shù)據(jù)中恢復(fù)信號的時間較長，這是影響其廣泛應(yīng)用的重要因素。本書針對壓縮感知信號重構(gòu)算法計(jì)算復(fù)雜度極高的問題，從算法加速和降低算法計(jì)算復(fù)雜度兩方面展開研究。如在壓縮感知算法加速方面，在并行化的基礎(chǔ)上提出了基于云平臺的加速方案，實(shí)現(xiàn)了復(fù)雜操作的并行化和復(fù)雜對象的序列化等問題。在降低算法計(jì)算復(fù)雜度方面，用觀測矩陣原子與二維殘差之間的相關(guān)性測量代替觀測矩陣原子與一維殘差之間的相?��???�f?��???��?��????