基于稀疏贝叶斯学习的窄带信号波达方向估计，实测有用，亲测有效！

挖掘时间相关性的结构贝叶斯学习算法代码。

压缩感知稀疏贝叶斯算法，包含SBL,TSBL和TMSBL算法。亲自测试能够使用

压缩感知稀疏贝叶斯算法，包含SBL,TSBL和TMSBL算法。亲自测试能够使用

CNO-SBL 论文题为“基于协作神经动力学优化的稀疏贝叶斯学习”的源代码

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival，DOA)估计算法在低信噪比条件下性能不足的问题，提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解，获得信号的加权子空间，然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解，同时对于网格失配带来的建模误差，将空间域内的离散采样网格点作为动态参数，通过求解一个多项式，利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明，相对于传统SBL算法，该方法具有更好的估计精度和空间分辨率。

使用EM算法完成对稀疏信号的恢复，对学习稀疏贝叶斯很有用处

GAMP_SBL 通过广义近似消息传递进行计算有效的稀疏贝叶斯学习 这是GAMP-SBL算法的实现。 可以在以下找到更多详细信息 李福伟，方军，段慧平，陈智，李宏斌，“通过广义近似消息传递进行计算有效的稀疏贝叶斯学习”提交给arXiv。 可以在上找到正式发表的论文

基于稀疏贝叶斯框架的计算有效宽带DOA估计方法

Sparse Bayesian Learning，Basis Selection，稀疏贝叶斯学习算法，压缩感知，matlab仿真