清华大学学报(自然科学版)

作者：陈平平, 林伟, 石昌伟, 冯裕楷, 林志坚, 方毅

单位：1. 福州大学 先进制造学院，泉州 362251,2. 福州大学 福建省媒体信息智能处理与无线传输重点实验室，福州 350108,3. 广东工业大学 信息工程学院，广州 510006

关键词：稀疏Bayes学习,Laplace尺度混合,多用户检测,多测量向量

基金：国家自然科学基金面上项目(62171135),国家自然科学基金面上项目(62471140),福建省高等教育产学合作项目(2024H6013),福建省自然科学基金面上项目(2024J01250),泉州市科技计划项目(2024QZGZ7)

针对现有多用户检测中稀疏Bayes学习(sparse Bayesian learning，SBL)算法的高复杂度问题，该文提出一种基于高效Laplace尺度混合(efficient Laplacian scale mixture，ELSM)先验的稀疏Bayes算法，通过引入代理函数来近似模型的Gauss似然函数，避免矩阵求逆，显著降低算法的复杂度。首先设计单测量向量(single measurement vector，SMV)的ELSM-SBL-SMV算法，提高系统重构性能。接着针对多测量向量(multiple measurement vector，MMV)场景，通过共享控制稀疏解的超参数，提出ELSM-SBL-MMV方案。实验结果表明，与现有SBL算法相比，所提ELSM-SBL-SMV算法可实现约2 dB的性能增益，ELSM-SBL-MMV则有3 dB增益。同时，ELSM-SBL-SMV的计算复杂度为$ {\cal{O}}$(K2)，优于现有的SBL算法，证明所提算法在性能和效率的优越性。

来源：2025年第11期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2025年第11期