搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于块稀疏贝叶斯学习的多任务压缩感知重构算法

文方青 张弓 贲德

基于块稀疏贝叶斯学习的多任务压缩感知重构算法

文方青, 张弓, 贲德
PDF
导出引用
  • 本文提出一种基于块稀疏贝叶斯学习的多任务压缩感知重构算法, 利用块稀疏的单测量矢量模型求解多任务重构问题. 通过对信号统的计特性和稀疏块内的结构特性进行联合数学建模, 将稀疏重构问题转贝叶斯框架下的特征参数的迭代更新问题. 本文算法不需要信号稀疏度和噪声强度的先验信息, 是一种高效的盲重构算法. 仿真实验表明, 本文算法能有效利用信号的统计特性和结构信息, 在重构精度和收敛速率方面能够很好地折衷.
    • 基金项目: 国家自然科学基金(批准号: 61201367, 61271327, 61471191)、南京航空航天大学博士学位论文创新与创优基金(批准号: BCXJ14-08)、江苏省研究生培养创新工程(批准号: KYLX_0277)、中央高校基本科研业务费专项资金和江苏高校优势学科建设工程(PADA)资助的课题.
    [1]

    Donoho D L 2006 IEEE Trans Inform Theory 52 1289

    [2]

    Zhang J D, Zhu D Y Zhang G 2012 IEEE Trans. SP 60 1718

    [3]

    Wang L Y, Li L, Yan B, Jiang C S, Wang H Y, Bao S L 2010 Chin. Phys. B 19 088106

    [4]

    Zhao S M, Zhuang P 2014 Chin. Phys. B 23 054203

    [5]

    Sun Y L, Tao J X 2014 Chin. Phys. B 23 078703

    [6]

    Zhang J C, Fu N Qiao L Y 2014 Acta Phys. Sin. 63 030701 (in Chinese) [张京超, 付宁, 乔立岩 2014 物理学报 63 030701]

    [7]

    Ji S, Dunson D, Carin L 2009 IEEE Trans. SP 57 92

    [8]

    Qi Y, Liu D, Dunson D 2008 Proceedings of the 25th international conference on Machine learning, Helsinki, Finland, July 5-9 2008

    [9]

    Wang Y G, Yang L, Tang L 2013 EURASIP Journal on Advances in Signal Processing 2013 1

    [10]

    Li R P, Zhao Z F, Palicot J, Zhang H G 2014 IET Commun 8 1736

    [11]

    Wu Q S, Yimin D, Amin M G, Himed B 2014 Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing Florence, Italy May 4-9 2014

    [12]

    Ji S H, Xue Y, Carin L 2008 IEEE Trans. SP 56 2346

    [13]

    Hao C Q, Wang J, Deng B 2012 Acta Phys. Sin 61 148901 (in Chinese) [郝崇清, 王江, 邓斌 2012 物理学报 61 148901]

    [14]

    Candes E J 2008 Comptes Rendus Mathematique 346 589

    [15]

    Candes E J Tao T 2005 IEEE Trans Inform Theory 51 4203

    [16]

    Tropp J A, Gilbert A C 2007 IEEE Trans Inform Theory 53 4655

    [17]

    Ning F L, He B J, Wei J 2013 Acta Phys. Sin 62 174214 (in Chinese) [宁方立, 何碧静, 韦娟 2013 物理学报 62 174214]

    [18]

    Huang S X Zhao X F Sheng Z 2009 Chin. Phys. B 18 5084

    [19]

    Sheng Z 2013 Chin. Phys. B 22 029302

    [20]

    Zhang Z, Rao B D 2011 IEEE Journal of Selected Topics in Signal Processing 5 912

    [21]

    Wipf D P, Rao D B 2007 IEEE Trans. SP 55 3704

  • [1]

    Donoho D L 2006 IEEE Trans Inform Theory 52 1289

    [2]

    Zhang J D, Zhu D Y Zhang G 2012 IEEE Trans. SP 60 1718

    [3]

    Wang L Y, Li L, Yan B, Jiang C S, Wang H Y, Bao S L 2010 Chin. Phys. B 19 088106

    [4]

    Zhao S M, Zhuang P 2014 Chin. Phys. B 23 054203

    [5]

    Sun Y L, Tao J X 2014 Chin. Phys. B 23 078703

    [6]

    Zhang J C, Fu N Qiao L Y 2014 Acta Phys. Sin. 63 030701 (in Chinese) [张京超, 付宁, 乔立岩 2014 物理学报 63 030701]

    [7]

    Ji S, Dunson D, Carin L 2009 IEEE Trans. SP 57 92

    [8]

    Qi Y, Liu D, Dunson D 2008 Proceedings of the 25th international conference on Machine learning, Helsinki, Finland, July 5-9 2008

    [9]

    Wang Y G, Yang L, Tang L 2013 EURASIP Journal on Advances in Signal Processing 2013 1

    [10]

    Li R P, Zhao Z F, Palicot J, Zhang H G 2014 IET Commun 8 1736

    [11]

    Wu Q S, Yimin D, Amin M G, Himed B 2014 Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing Florence, Italy May 4-9 2014

    [12]

    Ji S H, Xue Y, Carin L 2008 IEEE Trans. SP 56 2346

    [13]

    Hao C Q, Wang J, Deng B 2012 Acta Phys. Sin 61 148901 (in Chinese) [郝崇清, 王江, 邓斌 2012 物理学报 61 148901]

    [14]

    Candes E J 2008 Comptes Rendus Mathematique 346 589

    [15]

    Candes E J Tao T 2005 IEEE Trans Inform Theory 51 4203

    [16]

    Tropp J A, Gilbert A C 2007 IEEE Trans Inform Theory 53 4655

    [17]

    Ning F L, He B J, Wei J 2013 Acta Phys. Sin 62 174214 (in Chinese) [宁方立, 何碧静, 韦娟 2013 物理学报 62 174214]

    [18]

    Huang S X Zhao X F Sheng Z 2009 Chin. Phys. B 18 5084

    [19]

    Sheng Z 2013 Chin. Phys. B 22 029302

    [20]

    Zhang Z, Rao B D 2011 IEEE Journal of Selected Topics in Signal Processing 5 912

    [21]

    Wipf D P, Rao D B 2007 IEEE Trans. SP 55 3704

  • 引用本文:
    Citation:
计量
  • 文章访问数:  4014
  • PDF下载量:  4765
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-08-05
  • 修回日期:  2014-10-29
  • 刊出日期:  2015-04-05

基于块稀疏贝叶斯学习的多任务压缩感知重构算法

  • 1. 南京航空航天大学, 电子信息工程学院, 南京 210016;
  • 2. 雷达成像与微波光子技术教育部重点实验室, 南京航空航天大学, 南京 210016;
  • 3. 南京电子技术研究所, 南京 210039
    基金项目: 

    国家自然科学基金(批准号: 61201367, 61271327, 61471191)、南京航空航天大学博士学位论文创新与创优基金(批准号: BCXJ14-08)、江苏省研究生培养创新工程(批准号: KYLX_0277)、中央高校基本科研业务费专项资金和江苏高校优势学科建设工程(PADA)资助的课题.

摘要: 本文提出一种基于块稀疏贝叶斯学习的多任务压缩感知重构算法, 利用块稀疏的单测量矢量模型求解多任务重构问题. 通过对信号统的计特性和稀疏块内的结构特性进行联合数学建模, 将稀疏重构问题转贝叶斯框架下的特征参数的迭代更新问题. 本文算法不需要信号稀疏度和噪声强度的先验信息, 是一种高效的盲重构算法. 仿真实验表明, 本文算法能有效利用信号的统计特性和结构信息, 在重构精度和收敛速率方面能够很好地折衷.

English Abstract

参考文献 (21)

目录

    /

    返回文章
    返回