贝叶斯压缩传感 刘振圻.pptVIP

Bayesian compressive sensing 贝叶斯压缩传感（BCS）是一个为了解决CS反问题的贝叶斯框架。基本的BCS算法采用了相关向量机（RVM）。 CS的贝叶斯分析除了提供一个贝叶斯解法，更重要的是提供了一个新的框架。 目前还没有得到解决的问题： （一）当CS有足够测量数量时的“停止标准” （stopping criterion）。 （二）投影矩阵的自适应设计。 贝叶斯压缩传感 如何实现对权值和噪声方差的后验估计呢？ 则 ，设 独立同分布,则整个训练样本的似然函数可以表示出来。对 与 的求解如果直接使用最大似然法，结果通常使 中的元素大部分都不是0，从而导致“过学习”。 在RVM 中我们想要避免这个现像，因此我们为 加上先决条件，那它们的机率分布是落在0 周围的正态分布 。于是对 的求解转化为对 的求解，当 趋于无穷大的时候， 趋于0. RVM的步骤可以归结为下面几步： 1.核函数的选择导致：特征向量映射到高维空间。 核函数的选取：RBF核函数，Laplace核函数，多项 式核函数等。 其中，高斯核函数应用最为广泛。选择高斯核函数最 重要