| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的来源 | 第9页 |
| 1.2 课题背景及研究的目的和意义 | 第9-11页 |
| 1.3 国内外研究现状及分析 | 第11-14页 |
| 1.4 本文的主要研究内容及章节安排 | 第14-16页 |
| 第2章 基于块稀疏结构的稀疏分解算法 | 第16-35页 |
| 2.1 引言 | 第16页 |
| 2.2 块稀疏信号结构模型 | 第16-19页 |
| 2.2.1 块稀疏信号 | 第16-17页 |
| 2.2.2 块稀疏模型仿真与分析 | 第17-19页 |
| 2.3 块稀疏分解算法 | 第19-28页 |
| 2.3.1 块正交匹配追踪算法 | 第20-21页 |
| 2.3.2 块随机正交匹配追踪算法 | 第21-24页 |
| 2.3.3 仿真验证与分析 | 第24-28页 |
| 2.4 基于块稀疏分解的字典训练算法 | 第28-34页 |
| 2.4.1 块最优方向法 | 第29-30页 |
| 2.4.2 块KSVD算法 | 第30-32页 |
| 2.4.3 改进块字典训练算法 | 第32-33页 |
| 2.4.4 算法仿真验证与分析 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于联合稀疏模型的稀疏分解算法 | 第35-50页 |
| 3.1 引言 | 第35页 |
| 3.2 多天线信号联合稀疏模型 | 第35-37页 |
| 3.2.1 联合稀疏第一模型（JSM-1） | 第35-36页 |
| 3.2.2 联合稀疏第二模型（JSM-2） | 第36-37页 |
| 3.3 联合稀疏分解算法 | 第37-41页 |
| 3.3.1 基于JSM-1 模型的联合稀疏分解算法 | 第37-38页 |
| 3.3.2 基于JSM-2 模型的联合稀疏分解算法 | 第38-40页 |
| 3.3.3 基于联合稀疏模型的稀疏分解改进算法 | 第40-41页 |
| 3.4 算法仿真验证与分析 | 第41-49页 |
| 3.4.1 JSM1-OMP算法仿真 | 第41-44页 |
| 3.4.2 JSM2-OMP算法仿真 | 第44-47页 |
| 3.4.3 JSM-OMP算法仿真 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于稀疏贝叶斯的稀疏分解算法 | 第50-69页 |
| 4.1 引言 | 第50页 |
| 4.2 贝叶斯估计理论 | 第50-51页 |
| 4.3 稀疏贝叶斯学习算法 | 第51-61页 |
| 4.3.1 单测量模型下的稀疏贝叶斯学习算法 | 第52-53页 |
| 4.3.2 多测量模型下的稀疏贝叶斯学习算法 | 第53-61页 |
| 4.4 仿真验证与分析 | 第61-68页 |
| 4.4.1 不同的时间相关性下算法性能随测量数变化情况 | 第62-65页 |
| 4.4.2 算法性能随信噪比的变化情况 | 第65-67页 |
| 4.4.3 算法性能随欠定度的变化情况 | 第67-68页 |
| 4.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第76-78页 |
| 致谢 | 第78页 |
