改进Laplace先验下的复数域多任务贝叶斯压缩感知方法

为了将现有的实数域贝叶斯压缩感知方法推广至复数域,利用改进Laplace先验假设,提出了一种复数域多任务贝叶斯压缩感知(complex multitask Bayesian compressive sensing using modified Laplace priors, CMBCS-MLP)方法,消除了测量噪声方差的影响,并推导了一种基于递归操作的快速算法。数值仿真表明:针对复数域稀疏信号重构问题,相比于现有方法,所提CMBCS-MLP方法具有更好的精确性和鲁棒性。

基于Laplace先验的Bayes压缩感知波达方向估计

基于多任务贝叶斯压缩感知(BCS)理论,该文提出一种使用Laplace先验的目标到达角(DOA)估计算法。该算法利用阵元输出为观测值,将DOA估计转化为Laplace先验约束下的BCS求解稀疏信号问题,使用Laplace先验获得比传统BCS更好的稀疏性。该算法不需要信源个数的先验信息和进行特征值分解,能够适应相干信源场景,仿真结果表明该算法具有比传统BCS方法和经典MUSIC算法更好的DOA估计性能。

基于Laplace先验和稀疏块相关性的旋转机械振动信号贝叶斯压缩重构

为通过无线传输实时监测装备状态,针对机械振动信号采样频率较高导致压缩重构困难的问题,将Laplace先验模型和振动信号周期性稀疏块相结合,提出一种改进的贝叶斯压缩感知算法。建立基于Laplace分布的贝叶斯先验模型,相对于高斯先验具有更强的稀疏促进作用。根据机械设备转速和采样频率计算振动信号类周期,对信号进行周期性分块,并基于多稀疏块共享相同超参数的特点,采用快速相关向量机迭代估计出原始信号期望。选取两级平行轴齿轮箱作为研究对象,进行压缩重构仿真实验。结果表明,该方法在相同稀疏基下能有效改善机械振动信号的重构效果。

基于Laplace先验的复贝叶斯压缩感知ISAR高分辨成像算法

针对传统方法相位校正后存在残余相位误差导致图像散焦的问题,提出基于Laplace先验的复贝叶斯压缩感知(complex Bayesian compressed sensing,CBCS)逆合成孔径雷达高分辨成像算法。首先,假设目标图像各像元服从Laplace先验,建立稀疏先验模型;然后,把相位误差作为模型误差,利用BCS理论通过迭代交替求得目标图像并实现相位误差更新。该算法直接在复数域进行贝叶斯推理求解,避免了传统方法中将复数转换为实数处理所带来的运算复杂度高、自聚焦效果不强的问题。另外,在求解过程中采用分布式计算方法,与传统的矩阵矢量化求解方法相比,进一步提高了运算效率,仿真实验验证了算法的有效性。

面板数据分位回归模型中固定与随机效应的选择

随机效应的引入为面板数据建模中样本相关和异方差问题提供了重要解决途径,过多的随机效应不仅会极大地增加模型复杂度,而且给固定效应系数的估计带来偏差。文章在考虑到随机效应具有整体性基础上,以横截面个体为单位,对其进行整体压缩。通过对固定和随机效应分别引入不同形式的条件Laplace先验,构造了一种与Group Lasso-Lasso惩罚相等价的贝叶斯双惩罚分位回归估计方法。通过设计切片Gibbs抽样算法,快速有效地解决了模型参数估计问题。计算机模拟显示,该方法不仅能对固定和随机效应参数进行精确估计,而且能对模型中真实包含的固定和随机效应进行自动选择。

基于双惩罚分位回归的面板数据模型理论与实证研究

固定效应和随机效应同时选择是面板数据模型研究中的重要问题之一。本文通过分别对固定效应和随机效应引入条件Laplace先验,提出了一种新的贝叶斯双惩罚分位回归法。该方法不仅能对模型中重要解释变量进行自动选择,而且充分考虑到个体随机波动对解释变量系数估计带来的偏差。通过对方差分量的惩罚压缩,减少了模型中未知参数的个数,提高了模型自由度。Monte Carlo模拟及实证分析显示,所提出的方法不仅能准确估计出固定效应系数,而且能精确地捕捉到个体随机效应的波动。

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。

双基地角时变下的ISAR稀疏孔径自聚焦成像

针对双基地角时变下的逆合成孔径雷达(ISAR)成像分辨率低以及稀疏孔径存在相位误差引起图像散焦等问题,提出了一种基于贝叶斯压缩感知(BCS)的双基地ISAR稀疏孔径自聚焦高分辨成像算法。在平动补偿后回波数据的基础上,首先构造补偿相位将由双基地角时变引起的多普勒偏移补偿掉,然后构造随双基地角变化的稀疏基矩阵,建立基于压缩感知的双基地ISAR稀疏孔径观测模型,并将相位误差作为ISAR成像的模型误差,接着假设目标图像各像元服从Laplace先验、噪声统计特性服从Gaussian分布,利用贝叶斯推理进行"分布式"迭代求解,在高分辨成像的同时实现了相位自聚焦,仿真结果验证了算法的有效性和优越性。