概率状态空间模型：贝叶斯滤波和贝叶斯平滑模型

两个高维高斯高斯分布相乘的完整结果

极化码的入门与探索

文章目录向量序列的收敛状态演进分析大系统分析误差函数（Error Function）敏感函数（Sensitivity Function）线性约束下的正交阵Vector Approximate Message Passing, VAMP向量序列的收敛x(N)\boldsymbol x(N)x(N)是一个rNrNrN维的向量，其形式为x(N)=(x1(N),…,xN(N))∈RrN×1(28)\bol

无偏估计和最小方差无偏估计

DMRS的产生

原子范数初探：以到达角估计为例

一方面，对于AMP算法，基于信念传播的推导方式并不容易让人直观地去理解AMP的本质，比如为什么"Onsager"项可以在迭代过程中消除估计误差与感知矩阵的相关性？另一方面，AMP的状态演进分析过于复杂，但如果能直观地理解其演化过程，那么对AMP本质意义上的理解也会更上一层楼。我们接下来将基于AMP的迭代公式和Taylor展开，进行反向分析和理解。

文章目录引言Sub-Gaussian等价的几个性质Sub-Gaussian随机变量的定义Sub-Gaussian随机变量的三个例子Sub-Gaussian的近似旋转不变性总结引言Sub-Gaussian的分布跟标准高斯分布N(0,1)\mathcal N (0,1)N(0,1)的性质密切相关，因此在介绍Sub-Gaussian随机变量之前，先简述一下N(0,1)\mathcal N (0,1)N(

Approximate Message Passing, AMP# 前言这篇博客是对AMP推导和理解的开端，主要介绍了在似然函数为Delta函数的硬约束问题下AMP的推导过程