| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 缩写清单 | 第12-15页 |
| 第1章 绪论 | 第15-33页 |
| 1.1 研究背景 | 第15-18页 |
| 1.2 国内外研究现状 | 第18-26页 |
| 1.2.1 传统压缩感知 | 第18-20页 |
| 1.2.2 低精度量化下的压缩感知 | 第20-22页 |
| 1.2.3 降维滤波 | 第22-25页 |
| 1.2.4 FTN传输 | 第25-26页 |
| 1.3 本文的研究动机与意义 | 第26-31页 |
| 1.3.1 噪声环境下的1-bit压缩感知 | 第26-27页 |
| 1.3.2 1-bit量化的大规模天线系统的检测 | 第27-29页 |
| 1.3.3 压缩扩散策略下的分布式参数估计 | 第29-31页 |
| 1.4 论文主要研究内容和结构安排 | 第31-33页 |
| 第2章 噪声环境下的1-bit压缩感知重构算法 | 第33-52页 |
| 2.1 研究动机和主要成果 | 第33页 |
| 2.2 预备知识:重构中的一致性 | 第33-34页 |
| 2.3 软一致性重构算法 | 第34-38页 |
| 2.3.1 基于软判决的一致性度量 | 第34-35页 |
| 2.3.2 等价优化问题 | 第35-38页 |
| 2.3.3 重构算法描述 | 第38页 |
| 2.4 参数(p,a)的选取 | 第38-41页 |
| 2.5 仿真结果 | 第41-45页 |
| 2.6 本章涉及的相关推导 | 第45-51页 |
| 2.6.1 表2.1中梯度的推导 | 第45-46页 |
| 2.6.2 命题2.1的前置引理 | 第46-49页 |
| 2.6.3 命题2.1的证明 | 第49-51页 |
| 2.7 本章小结 | 第51-52页 |
| 第3章 1-bit量化大规模天线系统中的变分近似置信传播检测算法 | 第52-87页 |
| 3.1 研究动机和主要成果 | 第52-53页 |
| 3.2 系统模型和问题建模 | 第53-56页 |
| 3.3 联合检测中的变分近似法 | 第56-58页 |
| 3.3.1 P(Y|H,Y)的指数近似 | 第57页 |
| 3.3.2 二元符号的指数近似 | 第57-58页 |
| 3.4 基于点消息的推理 | 第58-65页 |
| 3.4.1 变分近似下的置信传播算法 | 第58-61页 |
| 3.4.2 从边消息到点消息 | 第61-62页 |
| 3.4.3 收敛性分析 | 第62-64页 |
| 3.4.4 复杂度分析 | 第64-65页 |
| 3.5 性能分析 | 第65-70页 |
| 3.5.1 迭代行为分析 | 第66-69页 |
| 3.5.2 检测性能界 | 第69-70页 |
| 3.6 仿真结果 | 第70-79页 |
| 3.6.1 检测性能随信噪比的变化 | 第72-75页 |
| 3.6.2 检测性能随其他参数的变化 | 第75-79页 |
| 3.7 本章涉及的相关推导 | 第79-85页 |
| 3.7.1 表3.2中VAMP算法的推导 | 第79-81页 |
| 3.7.2 命题3.1中变量节点相关的统计参量推导 | 第81-84页 |
| 3.7.3 命题3.1中信道转移节点相关的统计参量推导 | 第84-85页 |
| 3.7.4 命题3.2的证明 | 第85页 |
| 3.8 本章小结 | 第85-87页 |
| 第4章 基于贝叶斯推理的分布式压缩扩散策略 | 第87-97页 |
| 4.1 研究动机和主要成果 | 第87页 |
| 4.2 系统模型和问题建模 | 第87-89页 |
| 4.3 基于贝叶斯推理的估计算法 | 第89-92页 |
| 4.3.1 置信传播 | 第89-90页 |
| 4.3.2 推理算法 | 第90-92页 |
| 4.4 贝叶斯框架下的合并策略 | 第92-94页 |
| 4.5 仿真结果 | 第94-96页 |
| 4.6 本章小结 | 第96-97页 |
| 第5章 总结与展望 | 第97-99页 |
| 5.1 本文的主要工作和主要结论 | 第97-98页 |
| 5.2 未来研究工作设想 | 第98-99页 |
| 参考文献 | 第99-112页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第112-113页 |
