| 摘要 | 第7-8页 |
| ABSTRACT | 第8页 |
| 符号列表 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 稀疏信号恢复 | 第12-14页 |
| 1.2.1 问题描述 | 第12-13页 |
| 1.2.2 信号的稀疏性与测量矩阵的不相关性 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 第二章 应用重加权的线性Bregman算法解单测量向量(SMV)问题 | 第16-28页 |
| 2.1 引言 | 第16-18页 |
| 2.2 预备知识 | 第18-20页 |
| 2.2.1 重加权l_1-极小化 | 第18-19页 |
| 2.2.2 线性Bregman算法 | 第19-20页 |
| 2.3 重加权的线性Bregman算法 | 第20-23页 |
| 2.3.1 给增广的l_1-极小化问题引入权值概念 | 第21页 |
| 2.3.2 提出重加权的线性Bregman算法 | 第21页 |
| 2.3.3 关于参数的一些思考 | 第21-23页 |
| 2.4 数值实验 | 第23-25页 |
| 2.5 本章小结 | 第25-28页 |
| 第三章 应用基于马尔科夫链-蒙特卡罗(MCMC)的随机算法解单测量向量(SMV)问题 | 第28-48页 |
| 3.1 引言 | 第28-29页 |
| 3.2 预备知识 | 第29-34页 |
| 3.2.1 马尔科夫链-蒙特卡罗(MCMC)方法 | 第29-33页 |
| 3.2.2 单测量向量(SMV)问题 | 第33-34页 |
| 3.3 基于MCMC的SMV问题解法 | 第34-42页 |
| 3.3.1 目标函数p(·) | 第36-37页 |
| 3.3.2 备选解产生机制 | 第37-38页 |
| 3.3.3 终止条件 | 第38-39页 |
| 3.3.4 提出MHSMV算法 | 第39-42页 |
| 3.4 数值实验 | 第42-47页 |
| 3.4.1 实验1 | 第42-45页 |
| 3.4.2 实验2 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 应用基于马尔科夫链-蒙特卡罗(MCMC)的随机算法解多测量向量(MMV)问题 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 多测量向量(MMV)问题 | 第48-50页 |
| 4.3 基于MCMC的MMV问题解法 | 第50-56页 |
| 4.3.1 目标函数p(.)、备选解产生机制以及终止条件 | 第52-53页 |
| 4.3.2 提出MHMMV算法 | 第53-56页 |
| 4.4 数值实验 | 第56-60页 |
| 4.4.1 实验1 | 第56-59页 |
| 4.4.2 实验2 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-64页 |
| 5.1 本文工作总结 | 第61页 |
| 5.2 下一步工作展望 | 第61-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者在学期间取得的学术成果 | 第70页 |
