matlab代码求含参量矩阵特征值-Statistical-Compressed-Sensing:基于贝叶斯统计的压缩感知

上传者: 38553648 | 上传时间: 2022-07-01 10:23:56 | 文件大小: 605KB | 文件类型: ZIP
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)

文件下载

资源详情

[{"title":"( 10 个子文件 605KB ) matlab代码求含参量矩阵特征值-Statistical-Compressed-Sensing:基于贝叶斯统计的压缩感知","children":[{"title":"Statistical-Compressed-Sensing-master","children":[{"title":"main.m <span style='color:#111;'> 2.80KB </span>","children":null,"spread":false},{"title":"others","children":[{"title":"map_arg.png <span style='color:#111;'> 261.01KB </span>","children":null,"spread":false},{"title":"given.png <span style='color:#111;'> 40.29KB </span>","children":null,"spread":false},{"title":"map_final.png <span style='color:#111;'> 97.37KB </span>","children":null,"spread":false},{"title":"optimize.png <span style='color:#111;'> 70.99KB </span>","children":null,"spread":false},{"title":"map_derivative.png <span style='color:#111;'> 81.22KB </span>","children":null,"spread":false}],"spread":true},{"title":"plots","children":[{"title":"3.jpg <span style='color:#111;'> 33.23KB </span>","children":null,"spread":false},{"title":"both.jpg <span style='color:#111;'> 33.57KB </span>","children":null,"spread":false},{"title":"0.jpg <span style='color:#111;'> 30.91KB </span>","children":null,"spread":false}],"spread":true},{"title":"README.md <span style='color:#111;'> 2.96KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明