基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

摘要

在1-Bit压缩感知(compressive sensing,CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian 学习(generalized sparse Bayesian learning,Gr-SBL),研究基于Gr-SBL的1-Bit CS重构.将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法,简称为1-BitGr-PC-SBL算法.该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构.进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能.