Resumen

La compresión sensorial puede recuperar señales dispersas utilizando un número mucho menor de muestras que el teorema de muestreo de Nyquist tradicional. Las señales dispersas por bloques (BSS) con coeficientes no nulos que ocurren en grupos surgen naturalmente en muchos escenarios prácticos. Utilizar la estructura dispersa puede mejorar el rendimiento de recuperación. En este artículo, consideramos la recuperación de BSS arbitrarios con un marco de aprendizaje bayesiano disperso al inducir una priori de mezcla de escala Laplaciana (LSM) correlacionada, que puede modelar la dependencia de elementos adyacentes de la señal dispersa por bloques, y luego se propone un algoritmo de aprendizaje bayesiano disperso por bloques a través de la inferencia bayesiana variacional. Además, presentamos una versión rápida del algoritmo de recuperación propuesto, que no implica el cálculo de la inversión de matrices y tiene un rendimiento de recuperación robusto en el caso de baja relación señal-ruido. Los resultados experimentales con datos simulados

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Muestreo comprimido; Señales dispersas; Señales dispersas en bloques; Marco de aprendizaje bayesiano disperso; Prior de mezcla de escala laplaciana; Inferencia bayesiana variacional
• Keywords:Compressed sensing; Sparse signals; Block sparse signals; Sparse Bayesian learning framework; Laplacian scale mixture prior; Variational Bayesian inference