The invention discloses a method of parameter selection based on Bayesian compression perception based on Meridian distribution. In the Bayesian compressed sensing based on Meridian distribution, a simple method for selecting the shape parameters of Meridian distribution is presented, that is, the shape parameter is directly set as a small value. The advantage of the present invention is that it not only simplifies the process of sparse reconstruction, but also improves the performance of the reconfiguration.
【技术实现步骤摘要】
基于Meridian分布的贝叶斯压缩感知的参数选取方法
本专利技术涉及贝叶斯压缩感知
,特别是涉及一种基于Meridian分布的贝叶斯压缩感知的参数选取方法。
技术介绍
目前在贝叶斯压缩感知中,拉普拉斯分布和广义的高斯分布是广泛使用的先验模型。但是,理论分析和仿真实验表明:它们是无效的,即它们不能保证可靠地重构信号。近年来,广义柯西分布,Meridian分布被用于贝叶斯压缩感知中,并得到了一些很好的结果。Meridian分布可以看作是一种广义柯西分布。由于基于Meridian分布的方法的性能与Meridian分布的形状参数相关,因此不同的方法被用于估计Meridian分布的形状参数,如基于顺序统计的方法、模仿拉普拉斯分布形状参数估计的方法。目前,还没有精确的公式来计算Meridian分布的形状参数。现有的估计Meridian分布形状参数方法的缺点是:不但增加了计算量,而且不能保证压缩感知方法的重构性能。
技术实现思路
为了解决现有技术存在问题,本专利技术提供一种基于Meridian分布的贝叶斯压缩感知的参数选取方法。专利技术所要解决的技术问题是通过以下技术方案实现的:一种基于Meridian分布的贝叶斯压缩感知的参数选取方法,其特征在于在基于Meridian分布的贝叶斯压缩感知中,将Meridian分布的形状参数简单设为一个很小的正数,包含以下步骤:(1)获得目标函数。设压缩感知的信号模型为:y=Θs+n,其中y为测量信号,Θ=ΨΦ,Ψ为测量矩阵,Φ为基函数,n为高斯白噪声。通过求解下面式(1)的优化函数估计稀疏系数s,其中σ2是噪声的方差。N维未知频谱 ...
【技术保护点】
一种基于Meridian分布的贝叶斯压缩感知的参数选取方法,其特征在于,包括如下步骤:(1)获得目标函数,设压缩感知的信号模型为:y=Θs+n,其中y为测量信号,Θ为恢复矩阵,Θ=ΨΦ,Ψ为测量矩阵,Φ为基函数,n为高斯白噪声,通过求解式(4)的优化函数估计N维稀疏系数s=[s1s2…si…sN],其中si为第i个稀疏系数
【技术特征摘要】
1.一种基于Meridian分布的贝叶斯压缩感知的参数选取方法,其特征在于,包括如下步骤:(1)获得目标函数,设压缩感知的信号模型为:y=Θs+n,其中y为测量信号,Θ为恢复矩阵,Θ=ΨΦ,Ψ为测量矩阵,Φ为基函数,n为高斯白噪声,通过求解式(4)的优化函数估计N维稀疏系数s=[s1s2…si…sN],其中si为第i个稀疏系数其中σ2是噪声的方差,δ>0是Meridian分布的形状参数;在上式中,直接将δ设定为一个正数;(2)求解稀疏系数,采用加权l1范数最小化的迭代法或者加权最小二乘迭代法进行求解稀疏系数。2.根据权利要求1所述的一种基于Meridian分布的贝叶斯压缩感知的参数选取方法,其特征在于:所述加权l1范数最小化的迭代法步骤如下a)设迭代次数k=0,初始权值b)求解加权l1范数最小化问题
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。