压缩感知的应用——电流电压采样

我是2010年读研究生的，那时候“压缩感知”很流行。我也曾对“压缩感知”进行过研究，比如图像的超分辨率重建。但是当时，基于压缩感知的图像超分辨率重建存在很多人工痕迹，与现在基于深度学习的超分辨率重建相比差距很大。

压缩感知（Compressed Sensing）是一种测量技术，它号称只要信号可以在某个域下被稀疏表示，就可以超越奈奎斯特采样定理，用远低于传统的采样频率来进行采样。

目前我的工作要对三相电流电压进行采样。要实现高精度采样，通常需要用高采样率。但是，高采样率会导致数据量增加，给数据存储和处理造成很大压力。特别是在需要长时间采样的情况下，传统方法可能存储不了这么多数据。还有，对于使用嵌入式设备进行边缘端采样的应用，嵌入式设备的存储空间本来就有限，这一问题就更严重了。

压缩感知理论为解决这一问题提供了一种有效的方案。通过利用信号在频域的稀疏性，压缩感知理论可以实现较低采样率下的信号重构。经过测试，利用压缩感知方法可以利用10%的数据就能重建出原始信号。也就是说，如果存储空间仅支持高频采样100秒，利用压缩感知技术可以将采样时间提高到1000秒。

我尝试写了一段代码来验证这个想法：

import numpy as np
import pandas as pd
import scipy.fftpack as spfft
import matplotlib.pyplot as plt
import cvxpy as cvx


FILE_NAME = 'xxx.csv'

def load_csv(filename: str) -> pd.DataFrame:
    df = pd.read_csv(filename, index_col='index')
    df["u_a"] = df["u_a"]
    df[<