基于贝叶斯理论的压缩感知重构方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 压缩感知背景及意义 | 第14-15页 |
| 1.2 压缩感知研究现状 | 第15-16页 |
| 1.2.1 贝叶斯压缩感知 | 第15-16页 |
| 1.3 本论文的研究内容及安排 | 第16-18页 |
| 第二章 压缩感知和贝叶斯理论基础 | 第18-26页 |
| 2.1 压缩感知概述 | 第18-20页 |
| 2.1.1 稀疏表示 | 第18-19页 |
| 2.1.2 观测矩阵 | 第19页 |
| 2.1.3 重构算法 | 第19-20页 |
| 2.2 贝叶斯方法概述 | 第20-21页 |
| 2.2.1 先验分布和后验分布 | 第21页 |
| 2.2.2 共轭分布 | 第21页 |
| 2.3 参数估计方法 | 第21-23页 |
| 2.3.1 最大似然估计 | 第21-22页 |
| 2.3.2 最大后验估计 | 第22-23页 |
| 2.3.3 贝叶斯估计 | 第23页 |
| 2.3.4 最大期望算法 | 第23页 |
| 2.4 稀疏贝叶斯 | 第23-26页 |
| 2.4.1 相关向量机 | 第24页 |
| 2.4.2 分层模型 | 第24页 |
| 2.4.3 数学描述 | 第24-26页 |
| 第三章 贝叶斯压缩感知 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 贝叶斯压缩感知 | 第26-31页 |
| 3.2.1 参数模型 | 第27页 |
| 3.2.2 稀疏先验 | 第27-28页 |
| 3.2.3 RVM算法 | 第28-31页 |
| 3.3 拉普拉斯先验的贝叶斯压缩感知 | 第31-33页 |
| 3.3.1 参数模型 | 第31-32页 |
| 3.3.2 稀疏先验 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-40页 |
| 第四章 多任务贝叶斯学习算法 | 第40-50页 |
| 4.1 多任务学习概念 | 第40-41页 |
| 4.2 多任务参数模型 | 第41-43页 |
| 4.2.1 参数关系 | 第41-42页 |
| 4.2.2 参数求解 | 第42-43页 |
| 4.3 改进的线性回归算法 | 第43-45页 |
| 4.4 实验结果与分析 | 第45-50页 |
| 第五章 基于自适应字典的贝叶斯学习算法 | 第50-62页 |
| 5.1 基于小波变换的贝叶斯重建的问题 | 第50-51页 |
| 5.2 基于稀疏字典的图像重建 | 第51-53页 |
| 5.2.1 基于冗余字典的信号稀疏表达理论 | 第51页 |
| 5.2.2 基于贝叶斯最大后验估计的稀疏信号重建 | 第51-52页 |
| 5.2.3 字典学习算法 | 第52-53页 |
| 5.3 基于稀疏贝叶斯学习的模型求解 | 第53页 |
| 5.4 图像的自适应稀疏表示 | 第53-54页 |
| 5.5 实验结果与分析 | 第54-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 研究总结 | 第62页 |
| 6.2 研究展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
