机器学习作为当今国内外研究的热点在智能系统中得到了重视和运用，贝叶斯方法是机器学习的核心方法之一，以贝叶斯理论作为中心的贝叶斯网络必将应用延伸到各个问题领域。本书介绍了贝叶斯网络的学习推理过程及其在阵列信号处理中的应用，主要内容包括独立及相关信号高分辨测向算法稀疏先验模型设计、高自由度阵列欠定方位估计算法设计以及贝叶斯稳健波束形成器设计等。 本书既可作为高等学校信号与信息处理专业的研究生教材，也可供科研院所的工程技术人员参考。

第1章 绪论
1.1 DOA估计
1.2 自适应波束形成
1.3 稀疏信号重构
1.4 稀疏贝叶斯学习
1.5 本书内容安排
1.6 本章参考文献
第2章 稀疏阵列的贝叶斯高分辨测向算法
2.1 引言
2.2 基于EM准则的NLA高分辨测向算法
2.3 基于变分贝叶斯推断的稀疏阵列高分辨测向算法
2.4 仿真实验与分析
2.5 本章小结
2.6 本章参考文献
第3章 基于分层合成Lasso先验的稀疏贝叶斯离格DOA估计算法
3.1 引言
3.2 信号模型
3.3 贝叶斯模型构建
3.4 参数估计
3.5 数值仿真
3.6 本章小结
3.7 本章参考文献
第4章 基于相关信号结构特征的稀疏贝叶斯离格DOA估计算法
4.1 引言
4.2 信号模型
4.3 稀疏贝叶斯模型
4.4 贝叶斯推断
4.5 数值仿真
4.6 本章小结
4.7 本章参考文献
第5章 色噪声背景下相关信号的贝叶斯DOA估计算法
5.1 引言
5.2 问题构建
5.3 基于稀疏贝叶斯学习的DOA估计算法
5.4 宽带信号扩展
5.5 算法验证
5.6 本章小结
5.7 本章参考文献
第6章 贝叶斯稳健自适应波束形成算法
6.1 引言
6.2 问题构造
6.3 贝叶斯稳健波束形成器设计
6.4 非平稳干扰模型中的扩展
6.5 讨论
6.6 算法验证
6.7 本章小结
6.8 本章参考文献
第7章 总结
附录
附录A 式(5-25)所示最优变分后验分布的推导
附录B 式(6-15)中积分项的近似计算