企业官网建设流程全解析

简介：基于OMP算法的压缩感知信号重建MATLAB实现，旨在帮助信号处理方向的学生与工程师快速掌握压缩感知的核心重构流程。压缩感知利用信号的低维结构，用远低于奈奎斯特率的采样点数即可高概率恢复原始信号，而OMP作为典型的贪婪追踪算法，通过逐次选择与残差最相关的原子完成稀疏重建。资源包内共2个m文件：Test.m负责组织信号采样与重建实验的主流程，OMP.m实现正交匹配追踪的迭代细节，二者结构清晰、可直接运行，便于读者对照代码理解“测量、稀疏表示、残差更新、原子选择”等关键步骤；代码量虽少，但完整覆盖了从随机测量矩阵构造、观测向量生成到稀疏系数求解与信号重建的流程，也方便迁移至图像压缩、频谱感知等实际场景。整个rar压缩包仅912B，轻量而信息密度高，适合快速下载学习。目前已有2251人浏览学习，对刚接触稀疏重构或需要在MATLAB中验证OMP算法效果的读者较为实用。

1. 为什么压缩感知重建绕不开OMP：从欠定方程到稀疏信号

雷达回波、信道估计、医学成像这类场景里，采集端往往只能拿到远少于信号长度的观测数据，欠定方程直接解不出来。压缩感知的前提是信号在某个变换域稀疏，用远低于奈奎斯特率的采样完成获取，再靠重建算法恢复原始信号。OMP（正交匹配追踪）就是其中最常用的贪婪类重建算法。

OMP 每次迭代从测量矩阵里挑一个与残差最相关的原子，用最小二乘更新系数再刷新残差，十几行 MATLAB 就能实现。相比凸优化要反复调正则项，OMP 参数直观、过程可控，是多数人第一次落地压缩感知的首选。

这篇笔记面向想在 MATLAB 里把 OMP 真正跑起来的人，会给出可直接运行的实现和测试脚本，把稀疏度、测量数、停止准则这些决定成败的参数讲透，再列出实践中反复踩到的坑。新手照着复现，熟手对照排查。

2. 压缩感知模型与OMP算法原理：测量矩阵、稀疏基与原子选择的闭环

2.1 从 y=Φx 到稀疏表示：测量矩阵与稀疏基的数学前提

压缩感知的观测模型写作 y = Φx。这里 x 是长度为 N 的原始信号，Φ 是 M×N 的测量矩阵，M 远小于 N，y 是 M 维观测向量。方程个数小于未知数个数，这是一个欠定系统，常规最小二乘得不到唯一解，这也是压缩感知重建问题被称为病态反问题的直接原因。

要让欠定问题有解，压缩感知给了两个前提。第一个是稀疏性：信号 x 本身或经过某个变换 Ψ 之后，只有少数系数显著不为零，其余接近零。语音信号在 DCT 域稀疏，自然图像在小波域稀疏，雷达回波在时域或距离域稀疏，具体用哪个基取决于信号本身的物理结构。第二个是不相干性：测量矩阵 Φ 与稀疏基 Ψ 应当低相干，通俗说就是测量过程不能把稀疏结构搅碎。把 x = Ψs 代入观测模型得到 y = ΦΨs = As，A 称为感知矩阵。重建的目标就是从 y 中恢复最稀疏的系数 s，再通过 x = Ψs 逆变换回原始信号。

有限等距性质（RIP）刻画了稳定重建的充分条件：对任意 K 稀疏信号，感知矩阵作用前后的能量比例保持在一个常数区间内，这样 K 个非零系数的信息不会在测量中相互抵消。工程上我们很少逐列验证 RIP，而是直接选用理论上被证明以大概率满足 RIP 的随机矩阵。高斯随机矩阵是最典型的选择，它的任意子列之间近似正交，低相干性在概率意义上有保证。还有一个容易被忽略的细节：测量矩阵各列的能量应当一致，否则相关性比较时大范数列会天然占优，这就是后面代码里要对矩阵除以 sqrt(M) 做归一化的数学来源。

2.2 OMP 的原子选择逻辑：残差投影、支撑集更新与最小二乘修正

OMP 是贪婪算法，思路是逐个找出构成信号的原子。每一步做三件事：第一，计算当前残差与感知矩阵每个原子的内积，绝对值最大者被认为与残差最相关，它的索引加入支撑集；第二，在支撑集张成的子空间上做最小二乘，得到当前最优的系数估计；第三，用新系数重新计算残差。重复这三步直到满足停止条件。整个流程可以用下面这段伪代码概括：

输入: 观测 y, 感知矩阵 A, 稀疏度 K 初始化: r = y, support = [], iter = 0 循环: c = A' * r // 相关性扫描 idx = argmax(|c|) // 找最相关原子 if idx 已在 support 中: break // 去重保护 support = support ∪ {idx} x_ls = A(:,support) \ y // 最小二乘 r = y - A(:,support) * x_ls // 更新残差 if ||r|| 足够小: break 输出: x_hat(support) = x_ls

这里的最小二乘修正正是 OMP 与早期匹配追踪（MP）的分水岭。MP 每次只把残差投影到单个选中原子的方向，一旦选错，后续迭代很难纠正；OMP 则会在每轮选中原子之后，把支撑集上所有系数整体重解一遍，相当于把残差正交投影到支撑集子空间，之前选错的贡献会被重新分配。收敛速度因此远快于 MP，通常 K 次迭代就能精确恢复 K 稀疏信号，代价是每次迭代都增加一次最小二乘的开销。

实际工程里绝大多数人直接用 OMP。它的一个实现细节值得留意：浮点误差会让已选原子在后续相关性计算中留下微小的非零内积，如果代码不做去重判断，可能出现原子重复选择，导致支撑集不增长而残差也不再下降。严谨的实现要么检查索引是否已在支撑集中，要么在相关性计算时把已选原子对应的行清零。

2.3 稀疏度、相干性与可重建边界：三个在写代码前就该想清楚的量

K 稀疏指的是非零系数个数恰好为 K。真实信号很少严格 K 稀疏，更多是近似稀疏：系数按幂律衰减，只有前面若干项显著。OMP 在近似稀疏信号上同样能工作，但重建误差存在一个由信号本身不可压缩部分决定的下限，误差不会低于这个下限，也不会被算法放大。理解这一点很重要：如果实测信号系数衰减很慢，单纯增大 M 提升有限，根本问题是稀疏性假设本身不够好，应当考虑块稀疏或结构稀疏模型，而不是死磕 OMP 参数。

测量矩阵和稀疏基之间的相干性同样决定重建边界。相干性的计算公式是感知矩阵任意两列归一化内积的最大绝对值，取值在 0 到 1 之间。高斯随机矩阵与固定正交基的相干性大约在 sqrt(2 log N / M) 量级，这就是为什么 M 增大时重建会变稳。如果你用的是部分傅里叶矩阵，相干性会明显更高，需要的测量数也会相应上浮。这些量在动手写代码前想清楚，能避免后面大量盲调参数的时间浪费。

3. 用MATLAB手写一个OMP重建器：从测量矩阵到信号恢复的最小实现

3.1 最小可跑的OMP函数：完整代码与逐行说明

下面这份 omp_reconstruct 函数是一个最小但完整的实现，接收观测向量 y、感知矩阵 Phi 和稀疏度 K，输出重建信号 x_hat。我把感知矩阵作为整体传入，这样既可以直接传测量矩阵 Φ（信号本身稀疏时），也可以传 ΦΨ 的乘积（信号在变换域稀疏时），同一份代码覆盖两种场景。

function x_hat = omp_reconstruct(y, Phi, K) % OMP算法实现压缩感知信号重建 % 输入: % y - 观测向量 (M x 1) % Phi - 感知矩阵 (M x N)，M 远小于 N % K - 稀疏度估计值 % 输出: % x_hat - 重建信号 (N x 1) [M, N] = size(Phi); x_hat = zeros(N, 1); % 重建信号初始化 r = y; % 残差初始化为观测向量 support = []; % 支撑集：已选原子索引列表 for iter = 1:K % 1. 残差与所有原子的内积，得到候选相关性 correlation = Phi' * r; % 2. 取绝对值最大者的索引 [~, idx] = max(abs(correlation)); % 3. 原子去重：索引已在支撑集中则终止 if ismember(idx, support) fprintf('迭代 %d: 原子 %d 重复选中，提前终止\n', iter, idx); break; end % 4. 新原子加入支撑集 support = [support, idx]; % 5. 在支撑集子空间上做最小二乘 Phi_s = Phi(:, support); x_ls = Phi_s \ y; % 6. 用新的最小二乘系数更新残差 r = y - Phi_s * x_ls; % 7. 残差相对阈值判断，避免无意义迭代 if norm(r) < 1e-6 * norm(y) break; end end % 支撑集系数映射回完整信号向量 x_hat(support) = x_ls; end

逻辑说明：第 10 行做了一次完整的矩阵-向量乘法，复杂度为 O(MN)，这是整个算法里最耗时的部分，信号长度 N 增大时这里最先成为瓶颈。第 12 行用绝对值取最大值，因为负相关系数同样表示强相关，只是方向相反，OMP 不关心原子系数符号，符号由后续最小二乘决定。第 15 到 18 行的去重判断是很多简化版实现缺失的，不加这个判断的后果会在第 5 章详细展开。第 21 行的反斜杠运算符在 MATLAB 里会自动选择合适求解器，对过定最小二乘问题用的是 QR 分解路径，数值上比显式求逆稳定得多。

参数说明：K 是唯一不能由算法自动决定的输入。无噪声仿真里 K 等于真实稀疏度时结果最干净；含噪场合 K 设得比真实值大，最后一次迭代就可能选中噪声原子。第 25 行的停止条件写成 norm(r) < 1e-6 * norm(y)，用的是相对阈值而不是绝对阈值，好处是不依赖信号幅值量纲。如果信号本身幅值很小，绝对阈值 1e-6 会永远达不到，导致白跑满 K 次迭代。

3.2 仿真验证脚本：稀疏信号生成、观测与重建评估

有了重建函数，接下来需要一段能直接跑出结果的验证脚本。下面的代码生成一段长度为 N 的 K 稀疏信号，用高斯随机测量矩阵观测，再调用 OMP 重建，最后输出归一化误差并画图对比。

%% 压缩感知OMP重建仿真测试 clear; clc; close all; % ---- 参数设置 ---- N = 256; % 信号长度 K = 10; % 真实稀疏度 M = 64; % 观测数量 % ---- 1. 生成K稀疏信号 ---- x = zeros(N, 1); perm_idx = randperm(N); x(perm_idx(1:K)) = randn(K, 1) * 10; % 幅值放大，突出与数值底噪的区分度 % ---- 2. 生成高斯随机测量矩阵 ---- Phi = randn(M, N) / sqrt(M); % ---- 3. 观测过程 ---- y = Phi * x; % ---- 4. OMP重建 ---- x_hat = omp_reconstruct(y, Phi, K); % ---- 5. 评估 ---- nmse = norm(x - x_hat) / norm(x); fprintf('N=%d, K=%d, M=%d, 归一化重建误差 NMSE = %.4e\n', N, K, M, nmse); % ---- 6. 可视化 ---- figure('Position', [100 100 800 500]); subplot(2, 1, 1); stem(x, 'b', 'LineWidth', 1.2); title('原始K稀疏信号'); xlim([1 N]); subplot(2, 1, 2); stem(x_hat, 'r', 'LineWidth', 1.2); title('OMP重建信号'); xlim([1 N]);

逻辑说明：第 8 行 randperm(N) 随机选 K 个位置放置非零系数，乘 10 是为了让信号能量远高于 MATLAB 数值计算的浮点底噪，这样重建误差的评估才不会被机器精度干扰。第 11 行除以 sqrt(M) 是测量矩阵归一化，这一步直接决定后续残差和相关性的量纲是否合理，不除的话 y 的能量会随 M 增大，阈值判断全部失真。第 20 行用相对误差 norm(x - x_hat) / norm(x) 而不是绝对误差，是为了在不同信号尺度下有可比性。

参数说明：N=256、K=10、M=64 这组参数下，OMP 重建的 NMSE 通常能到 1e-10 量级，这是一个"标准答案"参考值。你可以把 M 从 32 逐次增加到 128，观察 NMSE 的下降曲线，会看到从"完全失败"到"精确重建"之间存在一个陡峭的转变区，这就是压缩感知里常说的相变现象。如果想验证算法对稀疏度的鲁棒性，固定 M 和 N，把 K 从 2 调到 30，同样能画出这条边界。

3.3 左除与伪逆之争：为什么 x_ls 用反斜杠而不是 inv

在支撑集上求系数时，我写的是 Phi_s \ y，而不是 inv(Phi_s' * Phi_s) * Phi_s' * y。这两者在数学上等价，数值行为却差很多。Phi_s 是 M×k 的矩阵，当 k 接近 M 时，Phi_s' * Phi_s 的条件数会剧烈恶化，显式求逆会把数值误差放大到不可接受的程度。反斜杠运算符在 MATLAB 里对过定问题默认走 QR 分解路径，数值稳定性好得多。

如果你特别担心支撑集病态，也可以用 pinv(Phi_s) * y，也就是伪逆求解。伪逆的代价是计算开销比左除高，但换来的稳定性在 M 很小、支撑集接近满秩时的确值得。实测经验是：当 M < 2K 时，左除通常会给出警告，此时建议直接换伪逆。更彻底的做法是在迭代中监控 cond(Phi_s)，条件数超过 1e10 就停止扩展支撑集，这比事后排查要省事得多。

提示：不要用 inv(Phi_s' * Phi_s) 这种写法做最小二乘。它在 k 很小时看起来没问题，但 k 接近 M 时条件数爆炸，重建结果会出现明显伪峰，而且这种错误非常隐蔽，NMSE 看起来不太差，波形却完全不对。

4. OMP重建参数怎么调：稀疏度K、测量数M与停止准则的取舍

4.1 稀疏度K的估计：过估计与欠估计分别导致什么

K 是 OMP 里最敏感的参数。仿真时我们知道真实稀疏度，直接传进去即可；实际应用里稀疏度几乎总是未知，这就成了参数调试中血泪经验最多的一个环节。K 设小了，算法提前停止，丢失真实分量，重建结果看起来干净但信息不完整；K 设大了，算法在真实原子选完之后继续把噪声或近似稀疏的小系数也选进来，残差虽然变小了，重建信号却多出一堆没有物理意义的伪峰。如果你发现重建结果存在大量幅值很小但非零的系数，大概率就是 K 过估计了。

一个常用的粗估计方法：把信号变换到目标稀疏基上，统计系数绝对值的衰减曲线，取包含 95% 能量的系数个数作为 K 的初值。如果信号确实稀疏，这个统计结果比较稳定；如果系数衰减很慢，说明信号只是近似稀疏，此时应当放弃"精确重建"的预期，改用含噪停止准则。另一种更工程化的做法是取不同 K 值跑多次重建，观察 NMSE 曲线的拐点：误差快速下降后出现平台或反弹的位置，就是合理的 K。这个方法要多花几倍计算时间，但比拍脑袋设参数可靠得多。

4.2 测量数M与测量矩阵构造：高斯矩阵、部分傅里叶矩阵怎么选

测量数 M 决定了信息量的下限。最常被引用的经验公式是 M ≥ 2K log(N/K)，但注意这只是指导值。用前面脚本的参数代人：K=10、N=256，公式给出 M ≈ 2×10×log(256/10) ≈ 64，恰好就是验证脚本里用的值。低于这个阈值的区域，重建误差像悬崖一样陡增，这就是相变现象。用高斯随机矩阵时，M 取 2K 到 4K 倍通常比较稳；用部分傅里叶矩阵时，M 需求会上浮，需要留更多余量。

测量矩阵的选择上，高斯随机矩阵最省心，RIP 性质在概率意义上被充分研究过。部分傅里叶矩阵则更接近实际采集硬件：从 N×N 的离散傅里叶变换矩阵中随机抽取 M 行构成测量矩阵，模拟的是频谱欠采样场景。下面是两种矩阵的生成对比：

% 高斯随机测量矩阵：默认选择，理论性质好 Phi_gauss = randn(M, N) / sqrt(M); % 部分傅里叶测量矩阵：模拟频谱欠采样的硬件场景 F = dftmtx(N); % N点DFT矩阵 row_idx = randperm(N, M); % 随机抽取M行 Phi_fourier = F(row_idx, :) / sqrt(M); % 检验两种矩阵的相干性（列归一化后内积最大值） mu_gauss = max(abs(corr(Phi_gauss))); mu_fourier = max(abs(corr(Phi_fourier))); fprintf('高斯矩阵相干性: %.3f, 傅里叶矩阵相干性: %.3f\n', mu_gauss, mu_fourier);

参数说明：dftmtx(N) 生成完整 N 点 DFT 矩阵，N 到 256 时内存无压力，N 超过 2048 就应当改用 FFT 算子逐次计算，避免构造完整矩阵。两种矩阵除以 sqrt(M) 的归一化目的相同：让观测向量 y 的能量不随 M 线性漂移。对比相干性时要注意 corr 函数默认对列做中心化和归一化，这里我们的列本身均值不一定为零，更严谨的做法是手动对列归一化后再求内积最大值，不影响结论方向。

4.3 含噪场景的停止准则：固定迭代、残差阈值与相关系数门限

无噪声仿真里固定迭代 K 次是干净的。一旦观测向量带噪声，OMP 的行为会明显改变：噪声污染残差，使得算法在选完真实原子后残差仍有不可忽略的能量，继续迭代就是在拟合噪声。停止准则因此必须从"迭代次数"切换为"残差能量"或"相关性门限"。

工程里可用的组合停止条件有三个：第一个是残差范数低于噪声能量估计，写作 norm(r)^2 <= M × sigma^2，其中 sigma 是噪声标准差；第二个是当前最大相关系数低于初始值的某个比例，比如 max(abs(correlation)) < 0.1 × max(abs(Phi' * y))；第三个是连续两次迭代残差变化小于机器精度。三者是或的关系，任一满足就停止。下面是含噪场景的改造片段：

% 含噪观测 sigma = 0.05; y_noisy = Phi * x + sigma * randn(M, 1); % 停止条件参数 noise_energy = M * sigma^2; % 噪声能量下界 init_corr = max(abs(Phi' * y_noisy)); % 初始最大相关系数 corr_ratio = 0.1; % 相对门限 % 每次迭代更新残差后判断 % if norm(r)^2 <= noise_energy || max_corr < corr_ratio * init_corr % break; % end

参数说明：sigma 的选取要参考信号能量。如果 sigma 远大于信号幅度，OMP 从一开始就无法区分真实原子和噪声，任何停止准则都救不回来，此时应当先在采集端提升信噪比。corr_ratio 取 0.1 意味着当前最大相关已经降到初始值的十分之一，说明再选原子的边际收益很小。这个值偏保守，实际使用时可以从 0.05 到 0.2 之间扫一遍，对比重建 NMSE 选出合适点。

5. OMP重建的常见坑与排查：原子重复、矩阵不合规与噪声伪峰

5.1 现象：迭代到一半提前终止，重建结果全是零

这通常发生在去重判断缺失的实现里。残差在浮点误差作用下与已选原子仍有微小的非零内积，算法下一轮又选中同一个原子，支撑集没有变化，残差也不会下降，代码很可能因为support没有增长而陷入死循环。有些实现为了防死循环直接break，结果就是支撑集不够 K 个原子，重建信号全是零。原因本质上是数值误差被当作有效信号处理了。

解决：在每次选原子后检查索引是否已在支撑集。已存在则跳过本轮，直接继续迭代找下一个候选；更稳妥的做法是同时把已选原子对应的相关性分量清零，从根源上消除重复可能。另外监控残差是否真的在下降，连续两次迭代残差变化小于 1e-12 时主动停止，比等到死循环被系统中断要好。

5.2 现象：K 设置正确，重建结果依然差的离谱

原因很可能是信号在时域不稀疏。很多第一次接触压缩感知的人习惯在时域生成一个稀疏脉冲信号来做仿真，这只是特例。真实信号如语音、图像在原始域并不稀疏，需要先经过 DCT、小波或 FFT 变换才稀疏。如果对不稀疏的信号直接做 OMP，感知矩阵与信号的相互作用完全不符合稀疏模型，重建失败是必然的，跟算法本身无关。

解决：在观测模型中显式引入稀疏基。感知矩阵改为 A = Phi_meas × Psi，重建得到的是稀疏系数 s_hat，最终信号通过 x_hat = Psi × s_hat 恢复。代码片段如下：

% 使用DCT基作为稀疏基 Psi = dctmtx(N)'; % N x N DCT基，列为基向量 Phi_meas = randn(M, N) / sqrt(M); A = Phi_meas * Psi; % 感知矩阵 y = Phi_meas * x; % 观测仍用原始测量矩阵 % 在感知域重建稀疏系数 s_hat = omp_reconstruct(y, A, K); x_hat = Psi * s_hat; % 逆变换回原始域

逻辑说明：这里的 x 本身不稀疏，只是它的 DCT 系数 s 稀疏。dctmtx(N)' 的每一列是一个 DCT 基向量，Psi 和 x 的乘法等价于对 x 做 DCT 分解。判断信号在哪个域稀疏的方法是：做变换后看系数衰减，前 K 个系数包含 95% 以上能量，就认为该域可用的。如果任何一个常见变换域都达不到这个标准，说明信号本身可压缩性差，压缩感知方案需要重新评估。

5.3 现象：无噪声仿真 NMSE 只有 1e-2，远低于理论精度

绝大多数情况下是因为测量矩阵忘除 sqrt(M)。直接用 randn(M, N)，观测向量 y 的能量大约是 M 个独立高斯变量叠加的结果，随 M 线性增长。后续残差、相关性和最小二乘解的量纲全部错位，数值条件也变差。这属于最容易排查也最容易犯的错误，通常发生在把别人代码改短的瞬间，少写了一行除法。

解决：生成测量矩阵时统一除以 sqrt(M)，养成习惯。已经忘除的补救方法是整体重新缩放：y 和 Phi 同时除以同一个常数，等价于对观测过程做尺度变换，不影响重建的相对误差。验证是否归一化的快速方法：计算 norm(y) 的平方，在无噪声条件下它应当接近 norm(x)^2 的数量级，如果大了 M 倍，那就是归一化丢了。

5.4 现象：加噪声后重建出现大量伪峰，且伪峰位置每次运行都不同

原因：固定迭代 K 次把噪声原子也选进来了。OMP 在无噪声时 K 次迭代即可收敛，含噪时残差永远到不了零，继续迭代就是在拟合噪声。伪峰的分布由噪声的随机性决定，所以每次运行位置都变，这是判断伪峰来自噪声而非信号结构的可靠信号。

解决：改用含噪停止准则，核心是让残差能量与噪声能量对齐。当 norm(r)^2 降到 M × sigma^2 以下时就停止。噪声标准差可以用观测向量 y 的高频分量来估计：对 y 做小波变换取最高频细节系数，其标准差约等于噪声水平，这是实践中简单有效的办法。还有一个附带的好处是重建时间也会缩短，因为少做了若干次无效迭代。

5.5 现象：左除时报矩阵接近奇异警告，重建后的幅值明显偏离真实值

原因：支撑集列向量接近线性相关。高斯随机矩阵的子列相关性理论上很低，但当 M 比较小，比如 M < 2K 时，支撑集列数逐步逼近 M，子矩阵变成宽扁甚至奇异形态，最小二乘解不再唯一，数值解也因此不可靠。这种情况下参数 M 和 K 的配比本身就不合理，单纯换求解器只能缓解症状。

解决：改用伪逆 pinv(Phi_s) * y 替换左除，代价是计算量略增，数值稳定性明显改善。更根本的做法是回头调整 M 和 K 的配比，让 M ≥ 2K 成为硬约束。同时建议在每次迭代后记录 cond(Phi_s)，条件数大于 1e10 时打印警告，这个警告比 MATLAB 自己的提示更早出现，能帮你定位是哪一次迭代把支撑集推到了病态边缘。

6. 重建质量验证的三个习惯：NMSE、相变图与M/K比值的联动

OMP 跑通只是第一步，真正要回答的问题是：怎么确认这次重建是可靠的？我自己的做法是固定三个验证习惯，每个都对应一类真实翻车场景。第一个习惯是数值指标和波形一起看。NMSE 到 1e-10 只说明数值上重建成功，实际恢复质量还要看非零位置对不对、幅值排序对不对、有没有振铃。只盯数字容易在含噪场景里被假完美骗过——伪峰的存在会让 NMSE 看起来尚可，但信号结构已经完全不可用。

第二个习惯是画相变图。固定 N，在 M 和 K 的二维网格上重复随机试验，把每次重建的相对误差与阈值比较，统计成功率。代码很短：

M_list = [32 48 64 96 128]; K_list = [4 8 12 16 20]; for M = M_list for K = K_list success = 0; trials = 20; for t = 1:trials x = zeros(N, 1); x(randperm(N, K)) = randn(K, 1); Phi = randn(M, N) / sqrt(M); x_hat = omp_reconstruct(Phi * x, Phi, K); success = success + (norm(x - x_hat) < 1e-3 * norm(x)); end fprintf('M=%d K=%d 成功率=%.2f\n', M, K, success / trials); end end

第三个习惯是记录 M/K 比值。我在每个项目里都把 M 除以 K 的商写在实验记录最前面，作为第一眼判断依据：比值小于 2 时重建基本不可靠，大于 4 时质量趋于稳定，中间区间是主要调试区域。有一次我把测量矩阵从高斯换成部分傅里叶，相变图的临界线明显右移，同样成功率下 M 需求几乎翻倍，这让我在设计阶段就发现了系统余量不足的问题，而不是等到联调时才翻车。养成这套验证习惯之后，OMP 对我而言不再是一个黑匣子，每一步调试都有据可查。希望帮到你。

本文还有配套的精品资源，点击获取