基于變分稀疏貝葉斯學習的頻譜檢測與定位.pdf

1、稀疏貝葉斯學習方法是一種基于貝葉斯框架的函數(shù)方法,它能夠充分挖掘和利用先驗信息,假定先驗信息的概率分布情況,對要解決的問題進行合理的建模,實現(xiàn)低維模型的學習。將稀疏貝葉斯學習方法用于空閑頻譜感知的難點在于確定貝葉斯最優(yōu)假設(shè)的計算代價比較大以及感知精度不準,本文圍繞這些問題展開了研究工作。
　　為了降低對寬帶信號進行壓縮頻譜感知的復雜度,提出了一種基于變分稀疏貝葉斯學習的頻譜檢測方法。該算法直接利用壓縮測量值對授權(quán)用戶的位置、個數(shù)以

2、及功率傳播圖進行了估計,在先驗知識未知的情況下,利用變分稀疏貝葉斯求解稀疏權(quán)值。在變分算法中采用簡單函數(shù)因子逼近復雜難以求解的后驗分布,這樣大大降低了邊緣似然函數(shù)的計算難度。而且變分稀疏貝葉斯方法在推導圖示模型時還能夠提供一致的推導框架。實驗結(jié)果表明:該方法在感知速度和精度上都有明顯提高。
　　為了克服深衰落、陰影效應、隱藏終端等對認知用戶感知精度的影響,同時在沒有融合中心的情況下,使每個認知用戶能夠獲得全局最優(yōu)解。本文提出了基于