Robust Sparse Bayesian Learning for Sparse Signal Recovery Under Unknown Noise Distributions
Robust Sparse Bayesian Learning for Sparse Signal Recovery Under Unknown Noise Distributions
复制标题
未知噪声分布下稀疏信号恢复的鲁棒稀疏贝叶斯学习
DOI：
10.1007/s00034-020-01529-0
复制
发表时间：
2020-08
期刊：
影响因子：
--
通讯作者：
Zhiyong Yang
中科院分区：
文献类型：
--
作者：
Kaide Huang;Zhiyong Yang
本文考虑了稀疏贝叶斯学习（SBL）在噪声环境下稀疏信号的鲁棒恢复问题。目前的SBL算法大多是利用平方损失构建在优化问题上，主要处理高斯噪声。然而，实际测量常常受到不太可能是高斯分布的未知分布噪声的污染。为了防止在这种情况下 SBL 的性能下降，我们提出了一种鲁棒的稀疏贝叶斯学习方法，该方法具有简单但有效的分层噪声模型。使用该模型，所得损失由加权误差测量和先验相关的权重约束组成，然后提供抵抗异常值和适应真实噪声的灵活性。执行 II 类贝叶斯估计来推断相关模型参数和未知稀疏信号。我们的方法的优势通过对合成数据和真实无线电断层成像数据的大量实验得到了证明。
This paper considers the robust recovery problem of sparse signal with sparse Bayesian learning (SBL) in noisy environments. Most of the current SBL algorithms are constructed on the optimization problem using the square loss, which mainly deals with Gaussian noise. However, real measurements are often contaminated by an unknown distributed noise that is unlikely to be Gaussian. To prevent performance degradation of SBL in such cases, we propose a robust sparse Bayesian learning method with a simple but effective hierarchical noise model. Using this model, the resultant loss is made up of a weighted error measure and a priori-dependent constraint on the weight, and then provides the flexibility for resisting the outliers and adapting to the real noise. A type-II Bayesian estimate is performed to infer the related model parameter and the unknown sparse signal. The advantage of our method is demonstrated by extensive experiments on synthetic data and real radio tomographic imaging data.
登录
查看更多内容
DOI：
10.1145/1273496.1273544
发表时间：
2007-06
期刊：
--
影响因子：
--
作者：
Shihao Ji;L. Carin
通讯作者：
Shihao Ji;L. Carin
影响因子：
7.9
作者：
C. Alippi;M. Bocca;G. Boracchi;Neal Patwari;M. Roveri
通讯作者：
C. Alippi;M. Bocca;G. Boracchi;Neal Patwari;M. Roveri
DOI：
--
发表时间：
2009
期刊：
--
影响因子：
--
作者：
Joey Wilson;Neal Patwari
通讯作者：
Joey Wilson;Neal Patwari
DOI：
--
发表时间：
2012-07
期刊：
--
影响因子：
--
作者：
D. Wipf;Yi Wu
通讯作者：
D. Wipf;Yi Wu
DOI：
10.1109/icassp.2014.6853928
发表时间：
2014-05
期刊：
2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
影响因子：
--
作者：
Yanning Shen;Huiping Duan;Jun Fang;Hongbin Li
通讯作者：
Yanning Shen;Huiping Duan;Jun Fang;Hongbin Li