时域流信号的多任务稀疏贝叶斯动态重构方法研究

摘要

为了解决多任务观测条件下时域流信号动态重构面临的块效应问题,该文基于重叠正交变换(LOT)和稀疏贝叶斯学习的贪婪重构框架先后提出了一种流信号多任务稀疏贝叶斯学习算法及其鲁棒增强型的改进算法,前者将LOT时域滑窗推广到多任务条件下,通过贝叶斯概率建模将未知的噪声精度的估计任务从信号重构中解耦并省略,后者进一步引入了重构不确定性的度量,提高了算法的鲁棒性和抑制误差积累的能力.基于浮标实测数据的实验结果表明,相比多任务重构领域代表性较强的时间多稀疏贝叶斯学习(TMSBL)和多任务压缩感知(MT-CS)算法,本文算法在不同信噪比、观测数目和任务数目条件下具有显著更高的重构精度、成功率和效率.