基于稀疏贝叶斯学习的DOA估计算法
| 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14-20页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 国内外发展现状 | 第15-17页 |
| 1.3 研究目的及意义 | 第17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 第二章 基于稀疏重构的DOA估计算法 | 第20-30页 |
| 2.1 稀疏重构基础理论 | 第20-23页 |
| 2.1.1 数学基础及相关说明 | 第20-21页 |
| 2.1.2 稀疏重构算法 | 第21-23页 |
| 2.2 基于稀疏重构的DOA估计算法 | 第23-29页 |
| 2.2.1 DOA估计信号模型 | 第24-26页 |
| 2.2.2 LI-SVD算法 | 第26-27页 |
| 2.2.3 L1-SRACV算法 | 第27-28页 |
| 2.2.4 降维L1-SRACV算法 | 第28页 |
| 2.2.5 稀疏重构DOA估计测不准分析 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 稀疏贝叶斯学习理论基础 | 第30-40页 |
| 3.1 贝叶斯理论 | 第30-33页 |
| 3.1.1 贝叶斯估计方法 | 第30-32页 |
| 3.1.2 贝叶斯参数学习 | 第32-33页 |
| 3.2 稀疏贝叶斯学习 | 第33-37页 |
| 3.2.1 贝叶斯稀疏表示方法 | 第33-34页 |
| 3.2.2 快速RVM贝叶斯学习算法 | 第34-37页 |
| 3.2.3 稀疏贝叶斯学习的优势 | 第37页 |
| 3.3 仿真分析及应用 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于MSBL的DOA估计算法 | 第40-50页 |
| 4.1 DOA估计稀疏表示模型 | 第40-42页 |
| 4.2 多测量矢量SBL算法 | 第42-44页 |
| 4.2.1MSBL稀疏重构算法 | 第42-43页 |
| 4.2.2 改进的基消除方法 | 第43-44页 |
| 4.2.3 运算量分析 | 第44页 |
| 4.3 仿真结果及算法分析 | 第44-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 基于BSBL的分布源DOA估计 | 第50-62页 |
| 5.1 分布式信号源DOA估计 | 第50-54页 |
| 5.1.1 相干分布源信号模型： | 第51-52页 |
| 5.1.2 广义MUSIC算法 | 第52页 |
| 5.1.3 基于稀疏分解的分布源DOA估计 | 第52-54页 |
| 5.2 块稀疏贝叶斯学习算法 | 第54-57页 |
| 5.2.1 分块稀疏模型 | 第54页 |
| 5.2.2 块稀疏贝叶斯学习框架 | 第54-55页 |
| 5.2.3 学习准则——EM算法 | 第55-56页 |
| 5.2.4 改进的TSBL算法 | 第56-57页 |
| 5.3 仿真结果及算法分析 | 第57-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 结论和展望 | 第62-64页 |
| 6.1 研究结论 | 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 |
