李姣军，邱 天，蒋 扬，杨 凡

（重庆理工大学 电气与电子工程学院，重庆 400054）

对于信号数据采集，传统的奈奎斯特采样已广泛应用多年。但是在某些应用中，为了满足实时性和分辨率的需求，软硬件设备面临着许多挑战，如采样频率不够高，数据处理效率较低，占用过多存储空间等问题。近年来，D L Donohon等［1-2］定义一种新的信号采样理论——压缩感知理论（compressed sensing，CS）。CS理论优势表现在获取数据的同时对其进行降维处理，且采样频率远远低于Nyquist采样，既能节省硬件处理时间又可以释放数据存储空间，从而实现软硬件工作资源利用最大化。因其具备以上优点，使得压缩感知应用前景很广，如图像恢复［3］、深度学习［4］、雷达［5］、信道估计［6］等。

目前经典的贪婪算法主要有正交匹配追踪算法（orthogonal matching pursuit，OMP）［7］、正则化正交匹配追踪算法（regularized orthogonal matching pursuit，ROMP）［8］、压缩采样匹配追踪算法（compressive sampling matching pursuit，CoSAMP）［9］等。但上述算法只有在已知信号稀疏度先验信息的前提下，才能有较好的重建质量，而现实应用中大多数信号的稀疏情况都是不确定的。Thong T Do等学者［10］研究并提出稀疏度自适应匹配追踪算法（sparsity adaptive matching pursuit，SAMP），它通过固定步长扩大支撑集大小去逼近真实稀疏度，无需获取稀疏度先验信息即可实现信号重构。但采取固定步长会带来一个问题，若选择步长过大容易造成过估计，影响重构精度；若选择步长过小容易造成欠估计，影响重构效率，因此，如何兼顾重建精度和重建效率是个两难的问题。文献［11］提出一种变步长分段自适应匹配追踪（variable step size stagewise adaptive matching pursuit，VSStAMP）算法。该算法在迭代开始时选择测量矩阵与当前残差前L个最相关原子，放入候选集合，设置阶段标识参数，把迭代分成大步长阶段和小步长阶段，能够在保障重构精度的同时提升重构效率，很大程度上优化了重构性能。……