多路径匹配追踪广度优先MMP_BFMATLAB代码

%⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙
% Estimate the sparse signal x using pruned MMP
%
% y			: observation
% Phi		: Sensing matrix
% K			: Sparsity
% L			: The size of expanding tree
% cand_len	: The pruning size of candidate dictionareis
%
%	Output parameters
% x_mmp_s	: estimated signal
% x_supp	: selected support vector indice.
% idx_depth	: iteration count during estimating
%
% Written by Suhyuk Kwon
% Information System Lab. Korea Univ.
%⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙⒙
function [x_mmp_s x_supp idx_depth] = islsp_EstMMP_BF_reuse（y Phi K L N_max）
	
	[nRows nCols]	= size（Phi）;

	idx_depth		= 0;

	%% Define the hash function for performance issues.
	my_hash_f	= @sum;
	
	s_path_info				= struct（	‘supps‘ zeros（K1）...
										‘residu‘ zeros（nRows 1）...
										‘x_hat‘ zeros（nCols 1）...
										‘prev_inv‘ zeros（1 1）...
										‘res_norm‘ zeros（1 1）...
										‘suppHash‘ int32（0））;

	nodes_parents		= s_path_info（:ones（L 1））;
	 
	%% Initialize the best path.
	[supp_mag supp_idx]	= sort（abs（Phi‘*y） ‘descend‘）;
	for idx=1:L
		supps	= supp_idx（idx）;
		
		x_hat	= pinv（Phi（:supps））*y;
		residu	= y-x_hat*Phi（:supps）;
		
		nodes_parents（idx）.supps	= supps;
		nodes_parents（idx）.residu	= residu;
		nodes_parents（idx）.x_hat	= x_hat;
		nodes_parents（idx）.prev_inv	= 1/（norm（Phi（:supps））^2）;
		nodes_parents（idx）.res_norm	= norm（residu）;
		nodes_parents（idx）.suppHash	= my_hash_f（supps）;
	end

	%% General iteration
	idx_abs_child	= L;
	
	while （idx_depth < K-1）
		idx_depth	= idx_depth+1;
		
		search_len	= min（idx_abs_child N_max）;

		%nodes_children（search_len*L）	= s_path_info;
		nodes_children		= s_path_info（:ones（search_len*L 1））;
		
		idx_abs_child			= 0;
		for idx_best=1:search_len
			[supp_mag supp_idx]	= sort（abs（Phi‘*nodes_parents（idx_best）.residu） ‘descend‘）;

			% Generate the child nodes
			for idx_child=1:L
				% supps	= union（best_path_par（idx_best）.supps supp_idx（idx_child））;
				
				% check exist