本文介绍了压缩感知中的块稀疏贝叶斯学习（BSBL）算法。阐述了其针对块稀疏信号的数学模型及层次化先验贝叶斯框架，详细给出了基于EM算法的MATLAB实现步骤与仿真代码。实验对比显示，BSBL在均方误差和鲁棒性上优于OMP算法。最后总结了该算法在生物医学、雷达成像及通信领域的应用，并展望了快速算法与量化技术的发展趋势。
压缩感知（Compressive Sensing, CS）理论打破了奈奎斯特采样定理的限制，通过少量线性测量即可高概率恢复稀疏信号。块稀疏贝叶斯学习（Block Sparse Bayesian Learning, BSBL）是CS领域的重要算法，专门针对块稀疏信号（即信号的非零元素集中在少数连续块中）设计，通过贝叶斯框架建模块内相关性与稀疏性，显著提升了重构性能。
块稀疏信号的核心特征是非零元素呈块状分布，例如时间序列中的连续脉冲、图像中的纹理块。数学上，块稀疏信号可表示为：
$x = [x_1^T, x_2^T, \\dots, x_B^T]^T$
其中，$x_b \in \mathbb{R}^{n_b}$ 是第 $b$ 个块（$n_b$ 为块大小），$B$ 为块总数，且仅有少数块 $x_b$ 非零（块稀疏性）。
BSBL通过层次化先验建模块稀疏性与块内相关性：
压缩感知的观测模型为：
$y = Ax + w$
其中，$A \in \mathbb{R}^{M \times N}$ 为测量矩阵（$M \ll N$），$w \sim \mathcal{N}(0, \sigma^2 I)$ 为高斯噪声。
BSBL通过后验推断估计 $x$：
以下是BSBL的核心实现步骤（基于EM算法）：
function[x_hat, gamma]=bsbl_em(y, A, B, n_b)
% 输入：y（测量向量，M×1）；A（测量矩阵，M×N）；B（块数）；n_b（每块大小）
% 输出：x_hat（重构信号，N×1）；gamma（块稀疏参数，B×1）
N =size(A,2);
M =size(A,1);
gamma =ones(B,1);% 初始化块稀疏参数
Sigma_b =eye(n_b);% 初始化块内协方差矩阵（单位矩阵）
max_iter =100;% 最大迭代次数
tol =1e-6;% 收敛阈值
for iter =1:max_iter
% ----------------------
% E步：计算后验均值与协方差
% ----------------------
x_post_mean =zeros(N,1);
x_post_cov =zeros(N, N);
for b =1:B
idx =(b-1)*n_b +1: b*n_b;% 当前块的索引
A_b =A(:, idx);% 当前块对应的测量矩阵列
Sigma_b_inv =inv(gamma(b)*Sigma_b);% 块内协方差逆
% 后验协方差（块内）
Sigma_b_post =inv(A_b'*A_b + Sigma_b_inv);
% 后验均值（块内）
mu_b_post = Sigma_b_post * A_b'* y;
% 累积后验均值与协方差
x_post_mean(idx)= mu_b_post;
x_post_cov(idx, idx)= Sigma_b_post;
end
% ----------------------
% M步：更新超参数
% ----------------------
gamma_old = gamma;
for b =1:B
idx =(b-1)*n_b +1: b*n_b;
mu_b_post =x_post_mean(idx);
Sigma_b_post =x_post_cov(idx, idx);
% 更新块稀疏参数gamma_b（最大化边缘似然）
gamma(b)=1/(trace(Sigma_b_post)+ mu_b_post'*mu_b_post);
% 更新块内协方差矩阵Sigma_b（可选，若假设块内独立则固定为单位矩阵）
% Sigma_b = cov(mu_b_post);
end
% ----------------------
% 收敛判断
% ----------------------
ifnorm(gamma - gamma_old)< tol
break;
end
end
x_hat = x_post_mean;
end
% 1. 生成块稀疏信号
N =100; B =5; n_b =20;
x =zeros(N,1);
x(1:20)=randn(20,1);% 第 1 块非零
x(41:60)=randn(20,1);% 第 3 块非零
% 2. 生成测量矩阵与噪声
M =30; A =randn(M, N)/sqrt(M);% 高斯随机矩阵（归一化）
sigma =0.1; w = sigma *randn(M,1);
y = A * x + w;% 观测向量
% 3. BSBL 重构
[x_bsbl, gamma]=bsbl_em(y, A, B, n_b);
% 4. OMP 重构（对比）
x_omp =omp(A, y,sum(gamma >1e-3));% 非零块数（gamma>阈值）
% 5. 结果可视化
figure;
subplot(3,1,1);
plot(x,'b-','LineWidth',1.5);
title('原始块稀疏信号');
xlabel('样本索引');
ylabel('幅度');
subplot(3,1,2);
plot(x_bsbl,'r--','LineWidth',1.5);
title('BSBL 重构信号');
xlabel('样本索引');
ylabel('幅度');
subplot(3,1,3);
plot(x_omp,'g-.','LineWidth',1.5);
title('OMP 重构信号');
xlabel('样本索引');
ylabel('幅度');
% 6. 性能评估（MSE）
mse_bsbl =mean((x - x_bsbl).^2);
mse_omp =mean((x - x_omp).^2);
fprintf('BSBL MSE: %.4f\n', mse_bsbl);
fprintf('OMP MSE: %.4f\n', mse_omp);
BSBL 的块稀疏建模能力使其在多个领域得到广泛应用：
BSBL 是压缩感知信号重构的重要算法，通过块稀疏建模与贝叶斯框架，显著提升了重构性能与鲁棒性。MATLAB 仿真验证了 BSBL 的有效性，其在生物医学、雷达、通信等领域的应用展示了广泛的实用价值。未来，随着快速算法与量化技术的发展，BSBL 将在实时处理与低功耗场景中发挥更大作用。
[10] 丁帅等。基于块稀疏贝叶斯学习的肌电信号特征提取 [J]. 电子学报，2015. [12] 用块稀疏贝叶斯学习算法重构识别体域网步态模式 [D]. 2022. [14] 苏伍各等。基于稀疏贝叶斯方法的脉间捷变频 ISAR 成像技术研究 [J]. 电子与信息学报，2015. [17] J Wu 等。An advanced scheme of compressed sensing of acceleration data for telemonintoring of human gait [J]. BioMed Eng Online, 2016. [18] 快速块稀疏贝叶斯学习算法的理论与应用 [D]. 2024. [19] 【脑源定位】基于 matlab 非负块稀疏贝叶斯学习算法脑电脑源定位 [J]. 2026. [20] AD 和 MCI 患者的压缩感知高密度脑电信号的脑网络分析 [J]. IEEE Trans Ind Inform, 2024. [24] 游康勇等。基于稀疏贝叶斯学习的网格自适应多源定位 [J]. 电子与信息学报，2018.
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online