基于块稀疏贝叶斯学习的多任务压缩感知重构算法

rvm代码matlab 快速SBL 一种基于高斯尺度混合模型的回归问题快速稀疏贝叶斯学习算法 此代码用于题为“基于高斯尺度混合的高效稀疏贝叶斯学习算法”的论文。 数据集中的图像是从 和 获取的。 tools 中的函数 FastLaplace.m 对应于基于拉普拉斯先验的快速 SBL 算法，该算法是从原始作者处获得的。 这篇论文的标题是“使用拉普拉斯先验的贝叶斯压缩感知”。 GGAMP-SBL.m 对应于题为“基于 GAMP 的低复杂度稀疏贝叶斯学习算法”论文中的算法 1。 为了比较，需要 sparseLab 2.1 和 RVM V1.1 工具箱，可以分别从 和 获得。 此代码在 Matlab 2019b 中实现。 如有任何问题，请联系 如果您使用我们代码的任何部分，请引用我们的论文。 W. Zhou, H. -T. Zhang 和 J. Wang，“基于高斯尺度混合的高效稀疏贝叶斯学习算法”，IEEE 神经网络和学习系统汇刊，doi：10.1109/TNNLS.2020.3049056。 参考资料： @ARTICLE{zhou2021efficient, author={W. {Zho

基于稀疏贝叶斯学习的高效DOA估计方法

#资源达人分享计划#

行业分类-物理装置-基于分层合成Lasso先验模型的离格稀疏贝叶斯DOA估计方法.zip

利用MATLAB实现稀疏贝叶斯算法，对于压缩感知的学习是一个比较好的东西，可以对具体的过程实现有进一步的了解，用在压缩感知和稀疏恢复重建之中

针对传统稀疏贝叶斯学习算法(SBL)在解决低信噪比条件下信号到达角(DOA)估计有效性的问题，提出基于酉变换的实数域稀疏贝叶斯学习(RV-OGSBL)的快速离格DOA估计方法。该方法首先对均匀线阵的实际接收信号通过构造增广矩阵作为 DOA 估计的处理信号，然后利用酉变换将估计模型从复数域转化到实数域，进一步在实数域下将离格模型与稀疏贝叶斯学习算法相结合迭代处理实现 DOA 估计，获得较高的估计精度。仿真结果表明，RV-OGSBL 方法不仅能保持传统 SBL 算法的性能，而且显著降低了计算复杂度。在低信噪比和低快拍数的情况下，算法运行时间降低约50%，表明该方法是一种快速的DOA估计算法。

稀疏贝叶斯学习算法SBL-FM算法，为博士论文中的代码实现

将雷达回波信号写为如下稀疏形式： 其中 为基矩阵， 为待求系数列向量。 为服从均值为0，方差为 的加性高斯噪声。目标向量 为已知元素集，包含N个变量，即 。 若每个元素独立向量 的概率密度为： 这也是系数向量 的最大似然估计，为一个二范数的求解问题（稀疏性得不到保证）。

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