Eine Theorie und Menge von Methoden zur Erfassung und Rekonstruktion von Signalen, die in einer bekannten Basis sparsam oder komprimierbar sind: Aus linearen Messungen y=Φx (Φ eine m×N‑Messmatrix) mit m ≪ N kann das ursprüngliche Signal x (exakt oder näherungsweise) wiedergewonnen werden, indem Sparsität in einem Transformationsraum ausgenutzt wird, typischerweise durch konvexe Optimierung (ℓ1‑Minimierung), gierige Algorithmen oder bayessche Verfahren, sofern Bedingungen wie Inkoherenz oder die Restricted Isometry Property (RIP) für Φ gegenüber der sparsifizierenden Basis erfüllt sind.

Prinzip

Sparsität kombiniert mit geeignet inkoherenten oder RIP‑konformen Messungen ermöglicht genaue Rekonstruktion aus deutlich weniger linearen Proben als durch Nyquist vorgeschrieben; die Rekonstruktion erfolgt durch Lösen eines sparsitätsfördernden inversen Problems (z. B. ℓ1‑Minimierung) mit Leistungszusicherungen unter den genannten Bedingungen.

Demonstration

Illustratives Szenario → Ein N‑langes Signal x hat s nicht‑null Koeffizienten in einer bekannten orthonormalen Basis; Φ wird als m×N Zufalls‑Gaussian‑Matrix mit m ≈ C·s·log(N/s) gewählt. Erkennen → Beobachtung y=Φx. Aktion → Lösen des konvexen Programms (minimiere ‖z‖1 unter Φz=y) oder Anwendung von OMP. Folge → Unter RIP/Inkoherenz und Rauschgrenzen rekonstruiert der Solver x (oder eine enge Approximation). (Konstruiertes Beispiel.)

Fehlanwendung

Compressed Sensing anwenden, obwohl das Signal nicht sparsam oder nicht in der angenommenen Basis darstellbar ist, oder strukturierte Messungen verwenden, die Inkoherenz verletzen (z. B. deterministisches Unterabtasten für eine Basis, in der das Signal ebenfalls sparsam ist), führt zum Scheitern der Rekonstruktion trotz scheinbarem Unterabtastvorteil.

Konsequenz

Ermöglicht verringerte Mess‑/Erfassungsressourcen und verlagert Kosten auf die rechnerische Rekonstruktion und Modellbildung; praktische Folgen sind Sensitivität gegenüber Modellfehlern, algorithmische Komplexität und Rauschanfälligkeit bei Verletzung der Annahmen.

Umkehrung

Ist Sparsität nur approximativ (Signal komprimierbar), schwächen sich Garantien und der Rekonstruktionsfehler folgt dem nicht‑spar-samen Rest; erfüllen Messmatrizen weder RIP noch Kohärenzgrenzen, gelten keine theoretischen Wiederherstellungsgarantien und die empirische Leistung kann versagen. In manchen praktischen Fällen ist klassisches Nyquist‑Sampling gefolgt von Kompression vorzuziehen.

Abgrenzung

Klar innerhalb → Signale, die exakt s‑sparsam oder stark komprimierbar in einer bekannten Basis sind und Φ RIP/Inkoherenz erfüllt, mit m gemäß Theorie. Randfall → komprimierbare Signale oder teilweise kohärente Messungen (approximate Rekonstruktion mit höherem Fehler). Klar außerhalb → dichte Signale ohne sparsame Repräsentation oder messungen, die die Rekonstruktion verhindern.

Semantische Spannung

Reduktion der Akquisitionsressourcen versus Rekonstruktionskomplexität und Modellrisiko — Einsparungen beim Sampling stehen Rechenkosten und Notwendigkeit einer geeigneten Messmatrix gegenüber.

Synthese

Compressed Sensing formuliert Abtastung als inverses Inferenzeproblem: es tauscht Abtastrate gegen strukturelle Annahmen (Sparsität, Inkoherenz) und Rechenaufwand und liefert nur bei erfüllten Modell‑ und Messbedingungen nachweisbare Vorteile.