简介压缩感知稀疏贝叶斯算法代码包专门面向信号处理与压缩感知研究方向的工程师、高校学生和科研人员完整提供SBL、TSBL与TMSBL三种贝叶斯重构算法的Matlab实现可解决欠采样条件下稀疏信号恢复与动态结构建模问题特别适合做算法对比和经验调参的读者。包内共15个文件以11个Matlab核心源码为主体附带PDF和Word版的“三分钟上手指南”、ReadMe提示文档压缩包整体仅479KB轻量且目录内容清晰。资源已有929人学习/下载作者自述已测试可用属于高性价比的小型算法工具箱。除了SBL/TSBL/TMSBL主函数之外包中还有多个demo示例、性能对比脚本和逐段用法说明方便读者快速重启实验亦可结合图像处理、医学成像、通信信号检测等实际任务进行二次开发。1. 压缩感知重构为什么稀疏贝叶斯算法值得自己跑一遍代码在雷达成像、核磁共振稀疏重建这类场景里采样率压到奈奎斯特定律的 20% 以下仍能恢复出完整信号这个反直觉的结论在实际工程中经常被质疑。但真正在降采样数据上做过重构的人会告诉你前提是信号在某组基底下足够稀疏且重构算法对支撑集的选择足够稳定。传统贪婪算法如 OMP、CoSaMP 在低信噪比下容易错选原子误差会随迭代累积而压缩感知稀疏贝叶斯算法Sparse Bayesian Learning, SBL把稀疏性编码成层次先验通过贝叶斯推理同时估计支撑集、超参数和噪声方差在相干字典和低信噪比条件下往往比 L1 范数类方法更稳。这份源码包恰好把 SBL、TSBL、TMSBL 三个层次的 Matlab 实现放在一起从单测量向量到时间序列再到多尺度时序足够串起一条从理论到横向对比的完整线索适合想搞清楚贝叶斯重构内在机制、又不想只调工具箱的人。2. SBL 与 MSBL 的贝叶斯推导从单测量向量到多测量向量2.1 稀疏贝叶斯学习中的层次先验与超参数估计SBL 的核心并不是直接对信号施加 L1 范数约束而是为每个信号分量引入独立的方差超参数。对单测量向量模型y Φx n信号x的每个元素x_i服从零均值高斯先验方差为γ_i而每个γ_i又服从 Inverse-Gamma 超先验。这种两层结构是稀疏贝叶斯算法的关键当某个γ_i在迭代中趋于零时对应的x_i也会被压到零附近从而实现自动稀疏化。这个方法在压缩感知里的名字是 SBL但在多测量向量MMV模型里Y ΦX N每一列是一个时间快拍此时需要所有列共享同一个支撑集。MSBL.m 实现了这一扩展。代码里不再单独估计每个时刻的方差而是为每一行信号引入一个超参数γ_i代表该行在所有快拍上的共同稀疏性。% MSBL 核心更新的简化片段来自 MSBL.m 的 EM 风格迭代 for iter 1:maxIter % 由当前 X 和 Gamma 计算后验协方差 Sigma inv(Phi * Phi / sigma2 diag(1 ./ gamma)); % 后验均值 Mu Sigma * Phi * Y / sigma2; % 更新超参数 gamma即每行信号能量的均值 gamma mean(Mu.^2, 2) diag(Sigma); % 更新噪声方差省略细节按残差能量估计 sigma2 norm(Y - Phi * Mu, fro)^2 / (M * T); end上面这段是去掉了边界条件处理的简化逻辑实际 MSBL.m 里还包含对sigma2的 MAP 估计和数值保护。gamma更新公式里第一项mean(Mu.^2, 2)是后验均值的能量第二项diag(Sigma)是后验方差二者一起构成二阶矩估计保证超参数收敛路径平稳。sigma2的更新需要除的是M * T即测量维度乘以快拍数因为残差是矩阵而非向量。2.2 MFOCUSS 与 MSBL 的对比快速算法与贝叶斯算法的取舍压缩包里的 MFOCUSS.m 是 FOCUSS 族算法的稀疏扩展它和 MSBL 在迭代格式上很相似最大的区别在于 MFOCUSS 直接把权重矩阵W作为变量反复调整而 MSBL 从贝叶斯后验推导出同一形式的更新式。实际运行时MFOCUSS 的收敛速度更快但对初值更敏感MSBL 多了一层超参数平滑收敛略微慢一点却更抗噪。2.3 信号重构中的参数初始化与收敛控制使用 MSBL.m 时通常只需关心三个参数测量矩阵Phi、观测矩阵Y和迭代停止条件。源码里maxIter默认在 100 到 300 之间停止条件除最大迭代次数外还会判断前后两次gamma变化的相对误差是否小于某个阈值。需要特别注意的是Phi应该做列归一化否则不同列的原子能量差异会直接影响gamma的初始估计导致支撑集选择偏向高能列。常见做法是在预处理时计算Phi_norm Phi ./ vecnorm(Phi)稀疏系数恢复后在对应维度上乘回原尺度。3. TSBL 时间稀疏贝叶斯块稀疏先验与时序相关性的引入3.1 时间连续性先验的建模思路TSBL 解决的是多测量向量模型里时间维度被忽略的问题。在 MMV 模型里各列之间只是共享支撑集但时间序列数据往往还满足相邻时刻的幅值变化是平滑的。TSBL 在 SBL 的基础上引入了块内相关矩阵B对每一行信号施加 Matrix Gaussian 先验行的稀疏性由gamma_i控制列之间的时序相关性由B矩阵编码。% TSBL 迭代中 B 矩阵与 gamma 的交替更新 for iter 1:maxIter % 更新后验协方差稀疏贝叶斯学习中的核心 Sigma inv( (1/sigma2) * (Phi*Phi) diag(1./gamma) ); Mu (1/sigma2) * Sigma * Phi * Y; % 学习时间相关性矩阵通过后验均值和协方差重构 B ( (Mu*Mu) / L Sigma ) / T; B B / trace(B) * L; % 归一化保持尺度稳定 gamma sum(Mu.^2, 2)/T diag(Sigma); end上式中Sigma的维度是信号行数乘信号行数与常规 SBL 一致B的维度是时间快拍数乘时间快拍数。B B / trace(B) * L这行是做迹归一化防止时间相关矩阵的尺度漂移导致gamma的更新失去约束。trace(B)相当于矩阵的总能量把它固定为L信号维度相当于把时间维度的能量总量约束住了。3.2 TSBL 相对于 SBL 的重构精度提升考虑一个简单的仿真随机生成 20 个传感器的频域信号每个传感器在 120 个时间快拍上共享稀疏支撑集但幅值随时间线性变化。分别用 MSBL 和 TSBL 重构TSBL 的重构误差通常会低一个数量级甚至更多。原因在于 MSBL 把每一列当成独立样本行相关性信息完全丢失而 TSBL 显式地用B矩阵捕获了时间结构。需要特别注意B矩阵只在信号幅值连续变化的场景下有增益如果时间维上信号完全是随机切换的B反而会成为约束此时不如退回 MSBL。3.3 参数选择的边界条件demo_time_varying.m里展示的就是时变场景运行前可以确认B矩阵的初始化方式。源码中B初始化为单位阵这相当于假设时间维度上各快拍不相关迭代后B会逐步学习出真实的相关结构。时间快拍数T较小时B的估计方差会偏大可以考虑把B初始化为 Toeplitz 结构或加上对角加载项避免奇异。4. TMSBL 多尺度时序贝叶斯重构的核心改进4.1 多尺度稀疏模型中矩阵先验的作用TMSBL 的全称是 Temporal Multiple-Scale Sparse Bayesian Learning它在 TSBL 的基础上进一步强调B矩阵的实际含义时间维上的相关结构可能不止一种尺度。TSBL 强制所有行共用同一个BTMSBL 则允许部分行共享相关结构、部分行独立从而在模型层面实现了多尺度。在实现上TMSBL.m 通过交替更新gamma和B并在B的估计上做自动收缩避免过拟合。% TMSBL 在 TSBL 基础上的罚函数调整 for iter 1:maxIter % 后验均值与协方差公式同 TSBL Sigma inv( A diag(gamma .* invB_diag) ); Mu Sigma * Phi * Y / sigma2; % 引入对角加载的 B 更新数值上更稳定 B (Mu * Mu) / L Sigma / T lambda * eye(T); B B / trace(B) * L; gamma sum(Mu.^2, 2)/T diag(Sigma); endlambda * eye(T)是对角加载项lambda取 1e-4 到 1e-2 之间即可作用是防止B矩阵在快拍数较少时退化成低秩矩阵。如果B低秩invB会爆炸导致gamma更新出现 NaN。在低快拍数场景中这个对角加载项几乎是必须的源码里也对这一项做了自适应调整。4.2 TMSBL.m 的代码走读与文件组织整个压缩包的解压后目录以TMSBL_code为根核心文件是MSBL.m、TSBL.m、TMSBL.m三个算法文件加上一组以demo_前缀命名的测试脚本。ReadMe.txt解释了基本调用方式Master the Usage of TSBL in 1 Minute.pdf和Master the Usage of TMSBL in 3 Minutes.docx是逐行说明适合先跑通再细看。三个算法的调用签名高度一致基本形式都是[X, gamma] TMSBL(Phi, Y, options)。其中Phi为测量矩阵Y为多快拍观测矩阵options里可配置maxIter、tol、learnB等参数。learnB设为 0 时TMSBL 会退化为 MSBL这可以用来做对比实验。4.3 三个算法与 demo 脚本的对应关系demo.m是总入口依次演示三个算法的基本用法demo_identicalVector.m验证相同波形条件下的对比demo_time_varying.m专门测试时变信号demo_fig3.m、demo_fig6_SNR10.m、demo_fig8.m分别复现论文里的图 3、信噪比 10dB 下的图 6 以及图 8。perfSupp.m是支撑集正确率的评估函数返回预测支撑集与真实支撑集的匹配度。跑demo_fig6_SNR10.m时如果画面出现横线状的错误峰通常是因为B矩阵估计过拟合回到对角加载参数的调整上即可。5. demo 脚本复现实验与支撑集正确率验证demo_identicalVector.m给出的是一组完全相同时间波形的合成数据信号共有 20 个通道、100 个快拍稀疏度为 5测量矩阵由随机高斯矩阵生成信噪比设置在 10dB 左右。运行前脚本会打印当前支撑集的重构结果。切换算法的方式是注释掉MSBL(Phi, Y, options)换成TSBL(Phi, Y, options)或TMSBL(Phi, Y, options)无需修改其他代码。% demo_identicalVector.m 中的核心评估逻辑 X_est MSBL(Phi, Y, options); correct_rate perfSupp(X_est, X_true, thr); fprintf(Support recovery rate: %.2f%%\n, correct_rate * 100);perfSupp的第三个参数thr是支撑集判定阈值通常取 1e-3即信号幅值大于该值的索引视为支撑集元素。该函数只做索引集合的比对不感知幅值恢复精度因此在评估时还要单独计算norm(X_est - X_true, fro) / norm(X_true, fro)。实操中一个有用技巧是跑完 MSBL 之后把得到的gamma向量按降序排列观察排在稀疏度之后的值是否出现数量级跳变。如果跳变明显说明支撑集选择稳定如果只是缓慢下降说明测量矩阵相干性过高这时改跑 TSBL借助时间维的相关性可以显著改善排序分布。demo_fig6_SNR10.m提供了 SNR10dB 的精确条件我一般会在这个脚本上反复测试B矩阵的两组配置learnB1时让算法自由学习时间相关结构learnB0时退化为 SBL 基线。对比两条重构误差曲线就能直观判断当前数据到底适不适合上 TSBL 或 TMSBL。如果误差差距在 5% 以内说明时间相关性并不强直接用 MSBL 反而是最简单的选择如果差距超过 30%说明B矩阵确实捕获了关键结构值得花精力调对角加载系数和迭代收敛阈值。通过这种量化验证方式这三个算法就不再是黑盒代码而是能针对不同信号形态做出合理选型的工具。本文还有配套的精品资源点击获取