基于贝叶斯分层模型的低复杂度无线传感器网络定位算法

文章对基于压缩感知的无线传感器网络定位算法进行了研究,存在重构算法计算量大、定位误差较大等问题,为降低计算复杂度和定位误差,文章提出基于贝叶斯分层模型的低复杂度无线传感器网络定位算法。首先,将稀疏贝叶斯分层先验模型引入到无线传感器网络的定位中;其次,通过运用稀疏贝叶斯理论推理出估计目标的后验概率分布;最后,结合变分消息传递(VMP)算法,使用辅助函数对未知变量的联合后验概率密度函数进行等效,得到目标位置向量的估计结果。仿真结果表明,相较于传统的重构算法,文章提出的方法具有更好的恢复效果,计算复杂度更低。

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MT-BCS的可分离DOA估计算法

压缩感知理论的不断发展,为二维DOA估计问题提供了新的思路。然而传统的二维DOA估计方法,只是对一维估计的建模方法别无二致,这导致求解时存在计算复杂度高、分辨率低等问题。文中通过对二维DOA模型的重新建模,将多任务贝叶斯压缩感知理论应用于二维DOA估计问题中,从而提出基于多任务贝叶斯压缩感知的可分离二维DOA低的优点。

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。

基于Cholesky矩阵分解的贝叶斯压缩感知信号处理

随着雷达、卫星遥感技术的的高速发展,信号重构精度和效率的要求越来越高。针对传统贝叶斯压缩感知(Bayesian compressed sensing,BCS)算法需要进行高维矩阵反复求逆致使算法复杂度过高、运算时间过长的问题,结合Cholesky矩阵分解快速求逆方法,提出一种基于矩阵分解的改进贝叶斯压缩感知算法。通过仿真比较传统的BCS算法、最小l 1范数算法和正交匹配追踪算法(OMP),笔者改进的BCS算法在不损失信号重构精度的同时大幅缩减了算法运算时间,重构效果得到改善。

基于稀疏贝叶斯学习的复杂网络拓扑估计

提出了一种噪声环境下复杂网络拓扑估计方法,仅利用含噪时间序列估计未知结构混沌系统的动力学方程和参数,以及由混沌系统组成的复杂网络的拓扑结构、节点动力学方程、所有参数、节点间耦合方向和耦合强度.通过采用动力学方程的统一形式,将动力系统方程结构和参数估计看成线性回归问题的系数估计,该估计问题利用贝叶斯压缩传感的信号重建算法求解,含噪信号的模型重建使用相关向量机方法,即通过稀疏贝叶斯学习求解稀疏欠定线性方程得到上面提到的可估计对象.以单个Lorenz系统及由200个Lorenz系统组成的无标度网络为例说明方法的有效性.仿真结果表明,提出的方法对噪声有很强的鲁棒性,收敛速度快,稳态误差极小,克服了最小二乘估计方法收敛速度慢、稳态误差大以及压缩传感估计方法对噪声鲁棒性不强的缺点.