本文關鍵詞：基于隱變量貝葉斯模型的稀疏信號恢復

  更多相關文章： 信號處理 隱變量貝葉斯模型 第類最大似然 稀疏貝葉斯學習 迭代加權最小二乘法

【摘要】：該文基于貝葉斯分析的視角,揭示了一類算法,包括使用隱變量模型的稀疏貝葉斯學習(SBL),正則化FOCUSS算法以及Log-Sum算法之間的內在關聯(lián)。分析顯示,作為隱變量貝葉斯模型的一種,稀疏貝葉斯學習使用第2類最大似然(Type II ML)在隱變量空間進行運算,可以視作一種更為廣義和靈活的方法,并且為不適定反問題的稀疏求解提供了改進的途徑。較之于目前基于第1類最大似然(Type I ML)的稀疏方法,仿真實驗證實了稀疏貝葉斯學習的優(yōu)越性能。
【作者單位】： 西安電子科技大學綜合業(yè)務網(wǎng)國家重點實驗室;空軍工程大學航空航天工程學院;
【基金】：國家自然科學基金(61379104)資助課題
【分類號】：TN911.7
【正文快照】： 2(空軍工程大學航空航天工程學院西安710038)1引言壓縮感知理論[1]的基礎思想之一,是求解一個不適定反問題,因為“信號稀疏”或者“可壓縮”這一先驗的存在,使唯一稀疏解的獲得成為可能。目前已有的恢復算法至少可以劃分為5類,本文以其中基于隱變量模型的稀疏貝葉斯學習[2](SB

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 孫新建;張雄偉;楊吉斌;曹鐵勇;孫健;;基于隱變量模型的語音轉換方法研究[J];信號處理;2012年03期

，

本文編號：1188785