分布式压缩感知简介
什么是分布式？
分布式系统是由一组通过网络进行通信、为了完成共同的任务而协调工作的计算机节点组成的系统。其目的是利用更多的机器，处理更多的数据。
什么是分布式压缩感知？
分布式压缩感知是针对多个传感器对多个信号进行压缩感知的情景，令每个传感器独立对信号进行测量，然后基于测量结果，综合利用信号内部以及信号之间的关联结构实现稀疏信号的恢复。
分布式压缩感知有一个大前提：原始信号之间具有联合稀疏性
针对此大前提，文章Distributed compressed sensing提出了三个联合稀疏模型（JSM），以下分别介绍。
JSM1-Model-Sparse common component + innovations
JSM1模型，文献中是这么描述的，所有信号都拥有一个共同成分（common sparse component）和一个特有成分（innovation component）并以表达式的形式给出，其中Zc经过变换基底
变得稀疏，稀疏度为Kc，同理，Zj经过变换基底
变得稀疏，稀疏度为Kj，这里注意共同成分和特有成分均在同一个基底
下稀疏。
JSM-1建模的实际情况是一组传感器，全天测量多个室外位置的温度。 温度读数xj具有时间（信号内）和空间（信号间）相关性。 全局因素，例如太阳和盛行风，可能会产生影响zC，这对所有传感器都是通用的，并且结构足以允许稀疏表示。 更多的局部因素，如阴影，水或动物，可以促进局部创新zj，也是结构化（因此稀疏）。 对于记录光强度，气压或其他现象的传感器网络，可以设想类似的情况。 所有这些场景都对应于测量在时间和空间上平滑变化的物理过程的属性，因此是高度相关的。
JSM2Model-Common sparse supports
相较于JSM1模型，JSM2模型中的信号并没有公共分量
由JSM-2良好建模的实际情况是多个传感器获取相同傅里叶稀疏信号的复制品，但具有由信号传播引起的相移和衰减。 在许多情况下，恢复每个感测信号是至关重要的，例如在许多声学定位和阵列处理算法中。 JSM-2的另一个有用的应用是MIMO通信。
JSM3Model-Nonsparsecommon component + sparse innovations
JSM3是JSM1的的扩展，其中JSM1要求共同成分是稀疏的，而JSM3则放松了此约束。
由JSM-3良好建模的实际情况是，不同传感器记录了几个源，并且背景信号在任何基础上都不稀疏。例如摄像机获取生产线中组件的快照; 然后，计算机系统检查设备中的故障以用于质量控制目的。 虽然每个图像可能非常复杂，但是图像的集合将是高度相关的，因为每个相机正在观察具有微小（稀疏）变化的相同设备。
总结：
1.JSM-1模型：共有成分和特有成分均是稀疏的
2.JSM-2模型：共有成分为0，特有成分是稀疏的，且稀疏度相同，均为K，非零元素的位置也相同，仅仅取值不同。
3.JSM-3模型：共有成分非稀疏，但特有成分是稀疏的。