| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-16页 |
| 1.2 压缩感知的主要应用 | 第16页 |
| 1.2.1 图像处理应用 | 第16页 |
| 1.2.2 人脸识别 | 第16页 |
| 1.3 信号处理的应用 | 第16-17页 |
| 1.4 压缩感知在国内外的研究历史及现状 | 第17页 |
| 1.5 本文的主要贡献及创新 | 第17-18页 |
| 1.6 本文的结构安排 | 第18-19页 |
| 第二章 压缩感知以及贝叶斯压缩感知概述 | 第19-37页 |
| 2.1 引言 | 第19页 |
| 2.2 压缩感知概述 | 第19-20页 |
| 2.3 压缩感知的经典恢复算法 | 第20-23页 |
| 2.3.1 凸松弛压缩感知算法 | 第20-21页 |
| 2.3.2 贪婪迭代算法 | 第21-22页 |
| 2.3.3 非凸优化算法 | 第22-23页 |
| 2.4 贝叶斯压缩感知理论概述 | 第23-36页 |
| 2.4.1 相关向量机 | 第23-24页 |
| 2.4.2 回归问题中的稀疏贝叶斯学习 | 第24-36页 |
| 2.4.2.1 基本模型描述 | 第24-26页 |
| 2.4.2.2 相关向量机的模型求解 | 第26页 |
| 2.4.2.3 Type2最大似然优化方法 | 第26-28页 |
| 2.4.2.4 EM优化算法 | 第28-30页 |
| 2.4.2.5 变分贝叶斯优化算法 | 第30-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于贝叶斯压缩感知的块状稀疏信号恢复算法 | 第37-54页 |
| 3.1 引言 | 第37-38页 |
| 3.2 有块内关联的贝叶斯块状稀疏信号恢复算法 | 第38-40页 |
| 3.2.1 问题描述 | 第38-39页 |
| 3.2.2 算法介绍 | 第39-40页 |
| 3.3 结构配对化贝叶斯块状稀疏信号恢复算法 | 第40-45页 |
| 3.3.1 问题描述 | 第40-42页 |
| 3.3.2 算法介绍 | 第42-45页 |
| 3.4 仿真结果 | 第45-52页 |
| 3.4.1 生成数据仿真 | 第45-47页 |
| 3.4.2 实测数据仿真 | 第47-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于稀疏贝叶斯学习算法的多维块状稀疏信号重构算法 | 第54-73页 |
| 4.1 引言 | 第54页 |
| 4.2 多维结构配对化稀疏贝叶斯学习算法 | 第54-61页 |
| 4.2.1 问题描述 | 第54-56页 |
| 4.2.2 算法设计 | 第56-61页 |
| 4.3 多维同稀疏结构向量稀疏贝叶斯联合估计算法 | 第61-63页 |
| 4.4 仿真结果 | 第63-72页 |
| 4.4.1 生成数据仿真 | 第63-67页 |
| 4.4.2 图像数据仿真 | 第67-69页 |
| 4.4.3 声音数据仿真 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 全文总结 | 第73-75页 |
| 5.1 本文工作总结 | 第73页 |
| 5.2 未来研究工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间的研究成果 | 第80页 |