压缩感知 正则化标准

压缩感知（Compressed Sensing）是一种信号处理理论和技术，它可以用于从非常少量的测量数据中恢复或重建原始信号。传统的信号采样理论认为，为了准确地重建一个信号，需要对信号进行高密度的采样。而压缩感知则提出了一种新的思路，即在信号具有稀疏性或低维结构的情况下，可以通过少量的随机测量来恢复信号。

压缩感知的核心思想是通过线性投影将原始信号映射到低维空间，并利用信号的稀疏性或低维结构进行重建。在重建过程中，压缩感知利用了稀疏表示和优化算法来恢复原始信号。常用的压缩感知算法包括基于贪婪算法的OMP（Orthogonal Matching Pursuit）、基于迭代优化的L1范数最小化算法等。

正则化标准（Regularization）是在机器学习和统计学中常用的一种技术，用于控制模型的复杂度并防止过拟合。正则化通过在损失函数中引入一个正则化项，惩罚模型的复杂度，从而在模型训练过程中平衡拟合训练数据和保持模型简单性之间的关系。

常见的正则化标准包括L1正则化和L2正则化。L1正则化通过在损失函数中添加模型参数的L1范数，使得部分参数变为0，从而实现特征选择和稀疏性。L2正则化通过在损失函数中添加模型参数的L2范数，使得参数值趋向于较小的值，从而降低模型的复杂度。