一种基于 GAMP 的低复杂度稀疏贝叶斯学习算法
机器学习
2018-02-14 v2 机器学习
摘要
在本文中，我们提出了一种用于稀疏信号恢复问题的算法，该算法将阻尼高斯广义近似消息传递（GGAMP）融入基于期望最大化（EM）的稀疏贝叶斯学习（SBL）中。具体而言，利用适当阻尼下 GGAMP 保证收敛的特性，在 SBL 中使用 GGAMP 代替矩阵求逆来实现 E 步。所得的 GGAMP-SBL 算法对任意测量矩阵 比标准阻尼 GAMP 算法鲁棒得多，同时比标准 SBL 算法复杂度低得多。随后，我们将该方法从单测量向量（SMV）情形扩展到时间相关的多测量向量（MMV）情形，得到 GGAMP-TSBL 算法。我们通过数值实验验证了所提算法的鲁棒性和计算优势。
引用
@article{arxiv.1703.03044,
title = {A GAMP Based Low Complexity Sparse Bayesian Learning Algorithm},
author = {Maher Al-Shoukairi and Philip Schniter and Bhaskar D. Rao},
journal= {arXiv preprint arXiv:1703.03044},
year = {2018}
}