基于稀疏贝叶斯学习的联合平移不变子空间压缩采样

• 作者: 宋靖 张剑云 游志刚
• 来源期刊: 信号处理
• 学科: 工学
• 关键词: 联合平移不变子空间 压缩采样 稀疏重构 稀疏贝叶斯学习
• 年，卷（期）: 2012,（5）
• 所属期刊栏目: 算法研究
• 页码范围: 680-685
• 分类号: TP391
• 字数: 4518字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0530.2012.05.010

摘要

针对一类特殊的有效核函数(active kernel)未知的联合平移不变子空间(Union of Shift-Invariant Subspaces,USI)信号,构建了一种压缩采样模型,将信号的重构过程看作一个线性回归问题,利用稀疏贝叶斯学习(sparse bayesian learning,SBL)算法求得该回归模型中的权值参数的最优估计,根据权值参数向量集的支撑集实现信号的稀疏重构.理论分析表明,对于由M个核函数(kernel)以T为周期平移生成的平移不变空间(Shift-Invariant Spaces,SI),若M个核函数中至多有K(1≤K≤M/2)个且未知哪K 个有效时,本文构建的压缩采样模型最低采样率能够达到2K/T,这也是利用稀疏度K 所能达到的理论上的最低采样率.仿真结果表明,构建的压缩采样模型能够有效降低这类信号的采样率.