广义近似消息传递算法,双线性广义近似消息传递算法以及参数化双线性广义近似消息传递算法在压缩感知领域具有广泛的应用。该文基于深度学习网络化广义近似消息传递算法、双线性广义近似消息传递算法及参数化双线性广义近似消息传递算法,使用数据集以训练的方式更新参数,减少算法所需先验知识,使参数更加贴合目标问题的解决,在具体应用上体现出更为优秀的性能。论文具体内容如下:首先,引入深度学习中深度网络的相关知识,网络化广义近似消息传递算法。根据广义近似消息传递算法网络的层间变量设置可学习参数,在训练中通过大量样本数据选定优化器不断优化更新网络参数,使网络性能得到改善。实验证实,针对压缩感知的信号重构问题构建对应算法网络,使网络可以根据样本数据训练更新参数,减少对先验知识的依赖,提升算法对信号的重构性能。然后,对双线性广义近似消息传递算法进行网络化研究,构建双线性广义近似消息传递算法网络,通过样本数据和优化器对其中的可学习参数进行优化,减少对矩阵及原始信号的先验知识的依赖性。实验证实,引入深度学习后,网络化的双线性广义近似消息传递算法,相对于原始算法,在字典学习问题上得到极大的提升。最后,对参数化双线性广义近似消息传递算法进行网络化研究,分析算法结构,设计算法对应的深度网络,减少了原本在双线性广义近似消息传递算法中所需要得可学习参数个数,并使用克罗内克积的计算方式参与网络搭建,降低了计算复杂度,根据数据和优化器优化网络,减少了算法对先验知识的依赖,参数化双线性广义近似消息传递算法的网络化有效提高了算法在字典学习问题上的性能。