压缩感知信号重构的块稀疏贝叶斯学习(BSBL)算法:原理、实现与应用压缩感知(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。本文将详细介绍BSBL的理论基础、算法实现、MATLAB仿真及应用场景。