matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）

matlab 构建小波基矩阵

多输入多输出不连续正交频分复用（MIMO NC-OFDM）系统是认知无线电（CR）系统的常用体制，由于授权用户占用而导致的载波不连续情况下的信道估计是影响该系统性能的关键技术问题。提出一种基于压缩感知（CS）的MIMO NC-OFDM 系统的信道估计方法——稀疏自适应匹配追踪（SAMP）算法。SAMP 算法在重构过程中先对信号稀疏度进行初始估计，然后自适应调整步长逐步逼近信号，相较于其他贪婪算法，能够在稀疏度未知的情况下准确重建稀疏信号。仿真结果表明，SAMP算法提高了重构精度，在实际应用中易于实现。

压缩感知(Compressed Sensing, CS)matlab代码。实现多个正弦信号的随机欠采样，通过压缩感知恢复。两个m文件分别是两个算法，正交匹配追踪(OMP)算法和SPGL1算法

压缩感知(Compressed Sensing, CS)matlab代码。实现多个正弦信号的随机欠采样，通过压缩感知恢复。两个m文件分别是两个算法，正交匹配追踪(OMP)算法和SPGL1算法(由E. van den Berg and M. P. Friedlander 提供)。

很好用 自带注释 可以直接运行　　里面有测试程序　可以先试着运行

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

利用小波基，对时域下的信号进行重构，利用压缩感知算法有，有omp stomp bregman GPSR_BB等 算法。发现百分百采样，bregman 算法收敛速度最快，重构效果最好。同时还测试了克罗尼科技 基对于作为稀疏基对压缩感知结果的影响。同时还有离散傅里叶正交基。很有意义。对于初学者或者，学习过程有问题的同学可以得到很好的借鉴作用。

关于压缩感知技术的几篇经典文章。其中包括：Optimized compressed sensing for curvelet-based seismic data reconstruction.pdf Rebecca Willett, Michael Gehm, and David Brady, Multiscale reconstruction for computational spectral imaging.pdf Richard Baraniuk and Philippe Steeghs, Compressive radar imaging..pdf Single-pixel remote sensing.pdf 以及国内的两个综述文章

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