非线性初学者

用Compressive Sensing方法利用估计MIMO信号的DOA 入门程序

压缩感知理论是一种充分利用信号稀疏性或者可压缩性的伞新的信号采样理论。该理论表明，通过采集少 量的信号值就可实现稀疏或可压缩信号的精确重建。该文在研究和总结已有重建算法的基础上，提出了一种新的基 于正则化的自适应匹配追踪算法(Regularized Adaptive Matching Pursuit，RAMP)用于压缩感知信号的重建。

针对大规模 MIMO系统信道估计精度低及反馈方案较为复杂的问题，在差分信道估计及反馈方案上提出了一种基于系数相关性的压缩采样匹配追踪（BCC-CoSAMP）算法。该算法将CoSAMP算法中衡量两个向量之间关系的内积替换为基于相关系数的向量关系判定，从而较快地选出与原始信号相关性强的原子，达到提高信道估计精度的目的。仿真结果表明，与CoSAMP算法相比，所提出的BCC-CoSAMP算法在低信噪比情况下，信道估计精度平均有5 dB的提高，同时能平均提高系统总速率1.25 bit/(s.Hz)。

大规模MIMO系统中基于压缩感知的稀疏信道估计

压缩感知的阈值收缩算法 IST, 快速且重构性良好

Matlab的无花果生成代码贝叶斯压缩感知 这套Matlab（7.0）函数包含用于重现以下两篇论文的一些结果的核心代码： ，史浩（Shihao Ji），亚雪（Ya Xue）和劳伦斯·卡林（Lawrence Carin），IEEE Trans。 信号处理，第一卷56号2008年6月6日。 ，史浩（Shihao Ji），戴维·邓森（David Dunson）和劳伦斯·卡林（Lawrence Carin），IEEE Trans。 信号处理，第一卷57号1，第92-106页，2009年1月。 BCS演示 图2.m->生成图2 实施BP需要l1-magic的以下两个Matlab文件： l1qc_logbarrier.m l1qc_newton.m 可以在以下位置找到： Fig4_ab.m->生成图4（a，b） multi_random_measures.m ---->为图4a生成“随机”曲线 multi_optimized_measures.m ---->生成图4a的“ Optimized”曲线 multi_approx_measures.m ---->生成“大约”。 图4a的曲线 MT-CS演

压缩感知的入门级教程，深入浅出。只不过是英文的，英语好的人可以看一下。

结合稀疏贝叶斯学习和压缩感知CS理论, 提出了一种基于贝叶斯匹配追踪的SAR图像重构的新方法。该方法将SAR图像的重构过程看做是一个线性回归问题, 而待重建的图像是该回归模型中的未知权值参数。利用高斯混合参数对未知权值参数赋予确定的先验条件概率分布, 用于限制权值参数的稀疏性。该方法能够得到重建图像所需要的一组具有较高后验概率密度的模型, 从而实现图像在最小均方误差MMSE意义下的重构; 对于高斯混合模型中参数未知的情况, 可以采用基于EM的最大似然估计方法估计。实验结果表明, 基于贝叶斯匹配追踪的SAR图像重构方法能够获得精确的重建图像, 并且能够有效地保持图像的细节特征。

STOMP压缩感知算法，可以重构一维信号，来源于jbb0523