| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 压缩感知主要应用 | 第15-20页 |
| 1.2.1 图像处理应用 | 第15-16页 |
| 1.2.2 信号处理应用 | 第16-17页 |
| 1.2.3 通信网络应用 | 第17-20页 |
| 1.3 研究现状 | 第20-21页 |
| 1.4 主要研究内容及贡献 | 第21-22页 |
| 1.5 论文结构安排 | 第22页 |
| 1.6 本章小结 | 第22-23页 |
| 第二章 压缩感知及稀疏贝叶斯学习概述 | 第23-36页 |
| 2.1 引言 | 第23页 |
| 2.2 压缩感知概述 | 第23-27页 |
| 2.3 压缩感知主要重构算法 | 第27-29页 |
| 2.3.1 贪婪算法 | 第27页 |
| 2.3.2 凸松弛算法 | 第27-28页 |
| 2.3.3 非凸优化算法 | 第28-29页 |
| 2.4 稀疏贝叶斯学习方法概述 | 第29-35页 |
| 2.4.1 经典稀疏贝叶斯学习算法 | 第29-34页 |
| 2.4.2 结构化稀疏贝叶斯学习算法 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于稀疏贝叶斯学习的二维结构耦合稀疏重构算法 | 第36-61页 |
| 3.1 引言 | 第36页 |
| 3.2 问题描述 | 第36-37页 |
| 3.3 二维结构耦合稀疏贝叶斯模型 | 第37-39页 |
| 3.4 基于二维结构耦合模型的实信号稀疏贝叶斯重构算法 | 第39-49页 |
| 3.4.1 算法设计 | 第39-44页 |
| 3.4.2 仿真实验及性能分析 | 第44-49页 |
| 3.5 基于二维结构耦合模型的复信号稀疏贝叶斯重构算法 | 第49-60页 |
| 3.5.1 算法设计 | 第50-54页 |
| 3.5.2 仿真实验及性能分析 | 第54-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第四章 基于广义近似消息传递的低复杂度稀疏重构算法 | 第61-92页 |
| 4.1 引言 | 第61页 |
| 4.2 问题描述 | 第61-62页 |
| 4.3 广义近似消息传递算法介绍 | 第62-71页 |
| 4.3.1 因子图 | 第63-64页 |
| 4.3.2 Sum-Product算法和Max-Sum算法 | 第64-67页 |
| 4.3.3 基于因子图的广义近似消息传递算法框架 | 第67-71页 |
| 4.4 算法设计 | 第71-77页 |
| 4.5 仿真实验及性能分析 | 第77-91页 |
| 4.5.1 人工数据仿真 | 第77-86页 |
| 4.5.2 卫星图像仿真 | 第86-88页 |
| 4.5.3 实际背景差分图像仿真 | 第88-91页 |
| 4.6 本章小结 | 第91-92页 |
| 第五章 全文总结 | 第92-94页 |
| 5.1 本文工作总结 | 第92-93页 |
| 5.2 未来研究方向 | 第93-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-103页 |
| 攻读硕士学位期间研究成果 | 第103-104页 |
| 附件5：学位论文答辩后勘误修订说明表 | 第104页 |
