基于正交匹配追踪（OMP）算法的信号稀疏分解MATLAB实现

一、算法原理与流程

正交匹配追踪（OMP）是一种经典的稀疏分解算法，其核心思想是通过迭代选择与残差最相关的原子，逐步逼近原始信号。算法流程如下：

1. 初始化：残差 $r_0 = y$，支持集 $\Lambda_0 = \emptyset$，迭代次数 $k=0$。
2. 原子选择：计算残差与字典原子的内积，选择绝对值最大的原子索引 $\lambda_k = \text{argmax}_j |\langle r_k, d_j \rangle|$。
3. 支持集更新：将选中的原子索引加入支持集 $\Lambda_{k+1} = \Lambda_k \cup {\lambda_k}$。
4. 最小二乘求解：在支持集对应的原子子集上求解稀疏系数 $x_{k+1} = \text{argmin}{\alpha} |y - D{\Lambda_{k+1}}\alpha|_2$。
5. 残差更新：计算新残差 $r_{k+1} = y - D_{\Lambda_{k+1}}x_{k+1}$。
6. 终止条件：当达到预设稀疏度 $K$ 或残差能量低于阈值时停止。

---

二、MATLAB 代码实现

function [x_sparse, residual] = omp_signal_decomposition(y, D, K, threshold)
% 输入参数：
% y: 待分解信号 (1×N)
% D: 过完备字典 (M×N_atoms)
% K: 最大稀疏度
% threshold: 残差能量阈值
% 输出参数：
% x_sparse: 稀疏系数 (N_atoms×1)
% residual: 最终残差

[M, N_atoms] = size(D);
residual = y;
x_sparse = zeros(N_atoms, 1);
support_set = [];

for k = 1:K
    % 计算残差与所有原子的内积
    correlations = abs(D' * residual);
    % 选择最大相关原子索引
    [~, new_atom_idx] = max(correlations);
    support_set = [support_set, new_atom_idx];
    
    % 构建子字典和最小二乘解
    D_subset = D(:, support_set);
    x_subset = pinv(D_subset) * y; % 伪逆求解
    
    % 更新稀疏系数
    x_sparse(support_set) = x_subset;
    
    % 更新残差
    residual = y - D_subset * x_subset;
    
    % 检查终止条件
    if norm(residual)^2 < threshold
        break;
    end
end
end

---

三、关键优化与扩展

1. 字典预处理
   • 结构化字典：使用 Gabor 字典或随机矩阵提升分解效率。
2. 加速技巧
   • 残差提前终止：当残差能量低于阈值时提前退出循环。
3. 性能评估

稀疏度验证：统计非零系数的比例。

sparsity = nnz(x_sparse) / length(x_sparse);

重构误差：计算原始信号与重构信号的均方误差。

reconstruction = D * x_sparse;
error = norm(y - reconstruction) / norm(y);

并行计算：利用 MATLAB 并行工具箱加速内积计算。

correlations = abs(D' * residual); % 内置并行优化

原子归一化：确保字典原子为单位长度，避免幅值影响内积计算。

D = D ./ vecnorm(D); % 列归一化

---