一、引言
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。
二、BSBL算法理论基础
1. 块稀疏信号模型
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）。
2. BSBL的贝叶斯框架
BSBL通过层次化先验建模块稀疏性与块内相关性：
- 第一层（块内先验）：每个块 $x_b$ 服从高斯分布，均值为0，协方差矩阵为 $\gamma_b\Sigma_b$（$\gamma_b$ 为块稀疏参数，$\Sigma_b$ 为块内相关性矩阵）： $p(x_b|\gamma_b,\Sigma_b) = \mathcal{N}(0, \gamma_b\Sigma_b)$
- 第二层（超先验）：块稀疏参数 $\gamma_b$ 服从伽马分布（自动相关性确定，ARD），鼓励稀疏性： $p(\gamma_b|a,b) = \text{Gamma}(\gamma_b|a,b)$ 其中，$a,b$ 为超参数（通常取极小值，如 $a=b=10^{-8}$，表示对 $\gamma_b$ 无先验偏好）。
3. 观测模型与后验推断
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 $x$：
- E步（期望）：计算 $x$ 的后验均值与协方差（利用当前超参数 $\gamma_b,\Sigma_b$）；
- M步（最大化）：更新超参数 $\gamma_b,\Sigma_b$（最大化边缘似然）。
三、BSBL算法实现（MATLAB）
以下是BSBL的核心实现步骤（基于EM算法）：
1. 参数初始化
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
