壓縮感知是一種有損的數(shù)據(jù)采樣方法，優(yōu)勢(shì)是用少量采樣表示信號(hào)；針對(duì)同一信號(hào)，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(shì)在于從采樣數(shù)據(jù)中恢復(fù)信號(hào)的時(shí)間較長(zhǎng)，這是影響其廣泛應(yīng)用的重要因素。本書針對(duì)壓縮感知信號(hào)重構(gòu)算法計(jì)算復(fù)雜度極高的問(wèn)題，從算法加速和降低算法計(jì)算復(fù)雜度兩方面展開(kāi)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(tái)的加速方案，實(shí)現(xiàn)了復(fù)雜操作的并行化和復(fù)雜對(duì)象的序列化等問(wèn)題。在降低算法計(jì)算復(fù)雜度方面，用觀測(cè)矩陣原子與二維殘差之間的相關(guān)性測(cè)量代替觀測(cè)矩陣原子與一維殘差之間的相?��???�f?��???��?��????