基于稀疏贝叶斯学习的时域流信号鲁棒动态压缩感知算法

发布时间：2024-03-17 05:40

　　块效应和未知且时变的噪声强度会降低时域流信号动态稀疏重构的性能,为解决该问题,本文基于重叠正交变换和稀疏贝叶斯学习框架,提出一种对时域流信号进行动态压缩感知的鲁棒稀疏贝叶斯学习重构算法.该算法在消除块效应的同时,能够处理噪声强度未知且时变情形下的动态稀疏重构问题,相比现有的流信号稀疏贝叶斯学习算法具有更强的抗噪鲁棒性.尽管现有的时域流信号压缩感知的有效算法并不多,但实验表明,本文算法的重构信误比和重构成功率均明显高于现有的基于稀疏贝叶斯学习的流信号重构算法和基于L1-同伦的流信号重构算法,且达到相同的重构成功率所需的观测数目少于另两种算法,计算量和运行效率则与稀疏贝叶斯学习算法相近.

【文章页数】：7 页

【文章目录】：
1 引言
2 系统建模及问题描述
3 鲁棒稀疏贝叶斯学习算法
    3.1 提高算法鲁棒性的措施
    3.2 算法总结
    3.3 算法收敛性及复杂度的理论分析
4 实验结果与分析
5 总结



本文编号：3930596