Teoría y conjunto de métodos para adquirir y reconstruir señales que son dispersas o compresibles en una base conocida: dadas mediciones lineales y=Φx (Φ matriz de medida m×N) con m ≪ N, la señal original x puede recuperarse (exacta o aproximadamente) mediante la explotación de la dispersidad en un dominio transformado, típicamente por optimización convexa (minimización ℓ1), algoritmos golosos o inferencia bayesiana, siempre que se cumplan condiciones como incoherencia o la Restricted Isometry Property (RIP) para Φ respecto de la base de dispersidad.

Principio

Estructura dispersa junto con medidas suficientemente incoherentes o que cumplen RIP permiten recuperación precisa a partir de muchas menos muestras lineales que las indicadas por Nyquist; la recuperación se consigue resolviendo un problema inverso que promueve la dispersidad (p. ej. minimizar ℓ1 sujeto a las mediciones) con garantías bajo las condiciones especificadas.

Demostración

Escenario ilustrativo → una señal x de longitud N tiene s coeficientes no nulos en una base ortonormal conocida; se construye Φ como matriz gaussiana aleatoria m×N con m ≈ C·s·log(N/s). Reconocimiento → observar y=Φx. Acción → resolver programa convexo (minimizar ‖z‖1 sujeto a Φz=y) o aplicar OMP. Consecuencia → bajo RIP/incoherencia y cotas de ruido, el solucionador recupera x (o una aproximación cercana). (Ejemplo construido.)

Aplicación incorrecta

Aplicar sensado comprimido cuando la señal no es dispersa ni compresible en la base asumida, o usar mediciones estructuradas que violan incoherencia (p. ej. submuestreo determinista para una base en la que la señal también es dispersa), conduce al fallo de reconstrucción pese al aparente submuestreo.

Consecuencia

Permite reducir recursos de medición y adquisición, transfiriendo coste a la reconstrucción computacional y la especificación del modelo; consecuencias prácticas incluyen sensibilidad a desajuste de modelo, complejidad algorítmica y amplificación de ruido si se violan las suposiciones.

Inversión

Cuando la dispersidad es sólo aproximada (señales compresibles), las garantías se debilitan y el error de reconstrucción escala con la cola no dispersa; si las matrices de medida carecen de RIP o límites de coherencia, no aplican las garantías teóricas y el rendimiento empírico puede fallar. En algunos contextos prácticos, el muestreo clásico de Nyquist seguido de compresión puede ser preferible.

Límite

Claramente dentro → señales exactamente s‑dispersas o fuertemente compresibles en una base conocida con Φ satisfaciendo RIP/incoherencia y m elegido según la teoría. Caso límite → señales compresibles o medidas parcialmente coherentes (recuperación aproximada con mayor error). Claramente fuera → señales densas sin representación dispersa o medidas adversas a la recuperación.

Tensión semántica

Reducción de recursos de adquisición frente a complejidad de reconstrucción y riesgo de modelo — los ahorros en sensado se equilibran con coste computacional y necesidad de diseñar medidas apropiadas.

Síntesis

El sensado comprimido replantea el muestreo como un problema inverso inferencial: cambia la tasa de muestreo por supuestos estructurales (dispersidad e incoherencia) y cálculo, proporcionando ventajas demostrables sólo cuando se satisfacen dichas condiciones de modelo y medida.