分享创新知识、改变世界!
更新:2022.7.26【1】--
本节主要讲的是基于稀疏重建的贝叶斯方法: 引入非确定性因素到信号本身,即考虑一个概率分布已知的稀疏或者可压缩信号。例如,假定信号中的元素来自突出稀疏特性的先验概率分布,且从随机测量中重建那些符合此概率分布的非零元素。
一、贝叶斯方法
1.1 基于信任扩散的稀疏重建方法
了解信号的概率分布具有重要的实际意义。许多应用中,我们感兴趣的信号通常是可以被描述,可以被压缩的,这与严格稀疏的信号不同。可压缩信号的概率分布通常是重尾的,重尾又可以使用双状态高斯混合分布描述。信号的每个元素可以从’大‘或者’小’两种状态取值。假设信号中的各个元素独立同分布,可以证明信号元素取小值比取大值更加频繁。其他的一些重尾分布函数也可以描述系数信号的元素:拉普拉斯分布。这种重尾分布广泛应用于基于贝叶斯推理的稀疏主分量分析中。
目的是根据测量矩阵和y估计处原信号x。这个估计过程有贝叶斯估推理形式,主要求在给定y下的x的边缘条件概率。可以得出MLE\MAP(最大后验概率估计),这个推理是一种参数优化过程,这个可以使用各种方法求解,基于信任扩散的稀疏重建方法是其中的一种。
1.2 稀疏贝叶斯学习
另一种基于概率模型用于估计各信号分量的方法是相关向量机方法(RVM),本质上是一种贝叶斯学习的方法。从CS的角度出发,可以将其视为一种确定稀疏信号中分量的方法,这种信号给一些基函数(测量矩阵中