基于拉伸因子图的低复杂度贝叶斯稀疏信号算法研究

建立加性高斯白噪声的线性数学模型,针对此模型对基于稀疏贝叶斯学习的消息传递算法进行研究。对传统的因子图通过添加额外的硬约束节点得到改进的因子图,然后在改进的因子图中利用联合BP-MF规则,提出低复杂度的BP-MF SBL算法。为了进一步降低复杂度,在BP-MF SBL的基础上提出近似BP-MF SBL算法。仿真结果表明与向量形式的MF算法相比,所提方法复杂度低,且性能有所提升;与标量形式的MF算法相比,在复杂度相似的情况下,所提方法的性能更好。

基于因子图拉伸的SC-FDE联合信道估计接收机

提出了一种基于因子图-消息传递算法的联合信道估计单载波频域均衡(SC-FDE)接收机。针对现有联合信道估计接收机中存在的复杂度和性能之间的矛盾,利用因子图拉伸方法对现有模型进行拉伸变换。变换之后的因子图模型可以将现有模型中的观测节点分割为几个节点的组合,并依据分割后节点的自身特点采用更合适的消息传递规则,进而避免了各种消息传递规则的固有缺陷。仿真结果表明,相比已有联合接收机算法,所提出的基于因子图拉伸和联合期望传播-平均场(BP-MF)算法在提升性能的情况下能够显著降低复杂度。