挖掘时间相关性的结构贝叶斯学习算法代码。

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。

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

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