声明
本文所用的缩略语列表
本文所用的数学符号列表
第一章 绪论
1.1 研究背景与意义
1.2 问题描述及研究现状
1.3 本文研究内容及主要工作
1.4 论文组织结构
第二章 单观测矢量模型快速块稀疏贝叶斯算法
2.1 引言
2.2 块稀疏贝叶斯学习算法
2.3 快速块稀疏贝叶斯学习算法
2.4 仿真实验设置
2.5 实验结果及讨论
2.6 复信号的BSBL-FM重构算法
2.7 本章小结
第三章 多观测矢量模型快速块稀疏贝叶斯学习算法
3.1 引言
3.2 时域相关模型快速贝叶斯学习算法
3.3 TSBL-FM算法仿真实验
3.4 空时块稀疏模型快速贝叶斯学习算法
3.5 STSBL-FM算法仿真实验
3.6 本章小结
第四章 量化压缩信号的贝叶斯学习算法
4.1 引言
4.2 量化压缩感知的数学模型
4.3 贝叶斯量化重构算法
4.4 仿真实验及性能评估
4.5 量化压缩感知实现方法及意义
4.6 本章小结
第五章 压缩感知低功耗数据压缩应用及评估
5.1 引言
5.2 压缩感知数据压缩方法的应用评估
5.3 压缩感知数据压缩方法的硬件实现与功耗评估
5.4 本章小结
第六章 总结与展望
6.1 本文主要贡献
6.2 下一步研究方向
致谢
参考文献
作者在学期间取得的学术成果
附录A 常用数学等式
A.1 Kronecker积的性质
A.2 矩阵的迹与Frobenius范数
附录B 矩阵求导与矩阵恒等式
B.1 矩阵恒等式
B.2 标量、向量与矩阵正态分布的定义
附录C 快速BSBL算法参量更新公式推导与算法实现
C.1 BSBL-FM参量更新公式推导
C.2 STSBL-FM时域相关矩阵更新公式推导
国防科学技术大学;