| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.2 国内外研究现状分析 | 第11-13页 |
| 1.2.1 压缩感知恢复算法研究现状 | 第11-12页 |
| 1.2.2 贝叶斯压缩感知研究现状 | 第12页 |
| 1.2.3 宽带压缩频谱感知技术研究现状 | 第12-13页 |
| 1.3 本文研究内容和组成结构 | 第13-15页 |
| 第2章 压缩感知理论及宽带压缩频谱感知技术 | 第15-30页 |
| 2.1 引言 | 第15-16页 |
| 2.2 压缩感知理论介绍 | 第16-19页 |
| 2.2.1 稀疏表示 | 第16页 |
| 2.2.2 压缩测量 | 第16-17页 |
| 2.2.3 信号重构 | 第17-19页 |
| 2.3 贝叶斯压缩感知算法 | 第19-23页 |
| 2.3.1 问题分析 | 第19-20页 |
| 2.3.2 使用相关向量机估计稀疏向量 | 第20-23页 |
| 2.4 基于压缩感知的宽带频谱检测 | 第23-26页 |
| 2.4.1 单用户频谱感知 | 第23-24页 |
| 2.4.2 协作频谱感知 | 第24-26页 |
| 2.5 算法仿真 | 第26-29页 |
| 2.5.1 压缩感知算法信号恢复仿真 | 第26-28页 |
| 2.5.2 基于压缩感知的频谱感知仿真 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于拉普拉斯先验的贝叶斯压缩感知 | 第30-53页 |
| 3.1 引言 | 第30页 |
| 3.2 贝叶斯建模 | 第30-34页 |
| 3.2.1 观测值模型 | 第31页 |
| 3.2.2 信号模型 | 第31-34页 |
| 3.3 使用拉普拉斯先验的压缩感知恢复算法 | 第34-41页 |
| 3.3.1 贝叶斯推理 | 第34-36页 |
| 3.3.2 快速算法 | 第36-41页 |
| 3.4 自适应压缩感知算法 | 第41-44页 |
| 3.4.1 自适应投影选择方法 | 第41-43页 |
| 3.4.2 近似的自适应压缩感知算法 | 第43-44页 |
| 3.5 算法仿真 | 第44-52页 |
| 3.5.1 一般信号仿真 | 第44-48页 |
| 3.5.2 频谱感知仿真 | 第48-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 块稀疏贝叶斯恢复算法 | 第53-72页 |
| 4.1 引言 | 第53页 |
| 4.2 模型 | 第53-54页 |
| 4.2.1 单观测向量模型 | 第53-54页 |
| 4.2.2 块稀疏模型 | 第54页 |
| 4.3 块稀疏贝叶斯学习框架 | 第54-55页 |
| 4.4 块分布已知情况下的算法 | 第55-61页 |
| 4.4.1 BSBL-EM:使用 EM 方法 | 第55-57页 |
| 4.4.2 BSBL-BO:约束优化方法 | 第57-59页 |
| 4.4.3 BSBL-Group-Lasso ：BSBL 和 Group-Lasso 型算法的混合 | 第59-61页 |
| 4.5 块分布未知情况下的算法 | 第61-63页 |
| 4.6 算法仿真 | 第63-70页 |
| 4.6.1 块分布已知情况下的仿真 | 第63-65页 |
| 4.6.2 块分布未知情况下的仿真 | 第65-66页 |
| 4.6.3 频谱感知仿真 | 第66-70页 |
| 4.7 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间发表的学术论文及其它成果 | 第78-80页 |
| 致谢 | 第80页 |