声明
摘要
插图索引
表格索引
符号对照表
缩略语对照表
第一章 概逊
1.1 选题背景和意义
1.1.1 压缩感知基本原理
1.1.2 压缩感知的应用
1.2 非凸压缩感知的研究内容
1.2.1 目标函数设计
1.2.2 基于RIP的非凸压缩感知分析
1.2.3 非凸压缩感知的典型恢复算法
1.2.4 存在的问题
1.3 本文的主要工作与章节安排
第二章 基于稀疏贝叶斯学习的恢复算法
2.1 稀疏贝叶斯学习与相关向量机
2.2 稀疏贝叶斯学习用于压缩感知信号恢复
2.2.1 基于贝叶斯视角的正则化分析
2.2.2 ARD先验的图模型
2.3 稀疏贝叶斯学习特征分析
2.3.1 两类最大似然之间的关系
2.3.2 SBL与其他算法的关系
2.3.3 基于变分的分析
2.4 数值实验
2.4.1 局部解特性实验
2.4.2 恢复性能分析
2.5 本章小结
第三章 支撑驱动的非凸恢复算法
3.1 阈值基追踪(Thresholded Basis Pursuit,TBP)
3.2 IRLp(Iteratively Reweighted Lp Minimization)算法
3.3 支撑驱动的恢复算法SD_IRLp
3.3.1 算法描述
3.3.2 算法分析
3.4 数值仿真
3.4.1 使用同伦算法说明BP的支撑检测能力
3.4.2 噪声背景下SD_IRLp算法的恢复性能
3.4.3 SD_IPLp恢复过程
3.4.4 参数p对SD_IRLp算法的影响
3.4.5 SD_IRLp的推广
3.5 本章小结
第四章 L0范数的平滑逼近
4.1 L0范数的平滑逼近
4.1.1 SL0与近似p范数
4.1.2 FOCUSS
4.2 基于参数调整策略的改进恢复算法
4.2.1 基于代理函数的目标函数分析
4.2.2 基于先验概率密度的优化目标函数分析
4.2.3 参数调整策略
4.3 基于牛顿方向的迭代重加权平滑L0算法(IRSL0)
4.3.1 算法框架推导
4.3.2 IRSL0_1
4.3.3 IRSL0_2
4.3.4 算法分析
4.4 数值仿真
4.4.1 平滑逼近效果度量
4.4.2 使用不同代理函数的IRSL0算法
4.4.3 稀疏度的影响
4.4.4 运算时间
4.5 本章小结
第五章 先验信息辅助的恢复算法
5.1 先验信息的类型与使用
5.1.1 支撑与幅值已知情况
5.1.2 仅部分支撑确知
5.2 先验信息辅助的FOCUSS算法
5.3 基于正交投影的压缩域信号处理
5.3.1 OMP算法的分析
5.3.2 模拟信号中的稀疏错误纠正
5.3.3 正交投影空间构造及其应用
5.3.4 基于正交投影的迭代运算框架
5.4 融合算法及其拓展
5.4.1 相关研究
5.4.2 渐次删除FOCUSS算法
5.5 数值仿真
5.5.1 先验信息辅助的FOCUSS算法仿真
5.5.2 所提出的新算法仿真
5.6 本章小结
第六章 非凸恢复算法在宽带频谱感知中的应用
6.1 频谱感知问题
6.1.1 窄带频谱感知
6.1.2 宽带频谱感知
6.2 使用MWC的次奈奎斯特采样技术
6.2.1 调制宽带转换MWC
6.2.2 MWC恢复算法
6.3 宽带压缩频谱感知方案
6.3.1 使用分布式终端的宽带压缩频谱感知模型
6.3.2 使用先验信息的分布式宽带压缩频谱感知模型
6.4 先验信息辅助的多重稀疏贝叶斯学习IA-MSBL
6.4.1 MSBL
6.4.2 先验信息辅助的IA-MSBL
6.5 数值仿真
6.5.1 MWC的恢复效果
6.5.2 次奈奎斯特采样的频谱感知算法
6.5.3 衰落信道下IA-MSBL的恢复性能对照
6.5.4 节点数目对频谱感知效果的影响
6.6 本章小结
第七章 总结与展望
7.1 全文总结
7.2 展望与开放性问题
参考文献
致谢
作者简介
攻读博士学位期间的研究成果