随机范德蒙矩阵--II部分:应用
Random Vandermonde Matrices-Part II: Applications
摘要:
这篇论文已被作者撤回,因为它已与第一部分(ID 0802.3570)合并
英文摘要:
This paper has been withdrawn by the authors, since it has been merged with Part I (ID 0802.3570)
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
Random Vandermonde Matrices-Part II: Applications
Øyvind Ryan, Merouane Debbah
这篇论文已被作者撤回,因为它已与第一部分(ID 0802.3570)合并
This paper has been withdrawn by the authors, since it has been merged with Part I (ID 0802.3570)
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
继续探索
Convolution operations arising from Vandermonde matrices
不同类型的卷积运算涉及大范德蒙矩阵被认为是。卷积与大高斯矩阵的卷积以及加性和乘性自由卷积并行。首先考虑范德蒙矩阵和确定对角矩阵的加法和乘法卷积。在此之后,考虑了两个独立的范德蒙矩阵的加法和乘法卷积的几种情况。证明了Vandermonde矩阵的任意组合的收敛性几乎是必然的。我们将所考虑的卷积分为两种类型:依赖于Vandermonde矩阵的相位分布的卷积,以及仅依赖于矩阵的谱的卷积。提出了一个通用的标准,以找到哪种类型适用于任何给定的卷积。仿真结果验证了该方法的有效性。所有考虑卷积的实现提供和讨论,以及在使这些实现高效的挑战。该实现基于傅立叶-莫茨金消除技术,并且非常通用,因为它几乎可以应用于范德蒙矩阵的任何组合。相关的随机矩阵,如Toeplitz和汉克尔矩阵的推广,也进行了讨论。
Asymptotic Behaviour of Random Vandermonde Matrices with Entries on the Unit Circle
给出了求单位圆上随机范德蒙矩阵矩的解析方法。Vandermonde矩阵在信号处理和无线应用中起着重要作用,例如到达方向估计,预编码和稀疏采样理论,仅举几例。在这个框架内,我们扩展了经典的自由度结果的随机矩阵独立,同分布(i.i.d.)条目,并表明范德蒙结构矩阵可以用不同的工具处理在同一静脉。我们专注于各种类型的矩阵,如Vandermonde矩阵和不均匀相位分布,以及广义Vandermonde矩阵。在每种情况下,我们提供明确的表达的时刻相关联的克矩阵,以及更先进的模型,涉及范德蒙矩阵。与经典i.i.d.的比较随机矩阵理论,并讨论了反褶积结果。我们回顾了一些应用的结果,信号处理和无线通信领域。
Frequency-Selective Vandermonde Decomposition of Toeplitz Matrices with Applications
半正定Toeplitz矩阵的Vandermonde分解的经典结果可以追溯到20世纪初,形成了现代子空间和最近的原子范数频率估计方法的基础。本文研究了频率被限制在给定区间内的范德蒙分解,称为频率选择范德蒙分解。在Toeplitz矩阵的显式条件下,研究了分解的存在唯一性.新的结果是连接的对偶的正实引理三角多项式非负的相同的频率间隔。并举例说明了它在矩量理论和谱估计中的应用。特别是,它提供了一个解决方案,截断三角$K$矩问题。它是用来推导出一个原始的半定程序制定的频率选择性原子规范,其中的频率是已知的{ \em先验}位于某些频带。数值例子也提供。
Vandermonde Decomposition of Multilevel Toeplitz Matrices with Application to Multidimensional Super-Resolution
Toeplitz矩阵的Vandermonde分解由Carathéodory和Fejér在1910年代发现,并由Pisarenko在1970年代重新发现,形成了现代子空间方法的基础。许多相关的数值工具也已开发多维(MD),特别是2D,频率估计,然而,一个根本的问题仍然没有得到解决,是否模拟的Vandermonde分解持有多级Toeplitz矩阵在MD的情况下。本文给出了当矩阵秩小于Toeplitz分块维数时,矩阵分解的一种构造性方法。当矩阵秩较高时,给出了一种寻找分解的数值方法。新的结果适用于研究MD频率估计最近的超分辨率框架内。原子$\ell_0$规范的精确制定使用Vandermonde分解。提出了基于松弛技术的频率估计实用算法。大量的数值模拟,以证明这些算法的有效性相比,现有的原子范数和子空间方法。
Eigenvalue Results for Large Scale Random Vandermonde Matrices with Unit Complex Entries
本文主要研究单位元随机范德蒙矩阵的极限特征值分布。从间隔$[-π,π]$中独立且同分布地选择条目的相位。各种类型的相位分布被认为是我们建立的经验本征值分布的存在性在大矩阵限制在很宽的范围内的情况下。的最大特征值的增长率进行检查,并示出不大于$O(\log N)$和不慢于$O(\log N/\log\log N)$其中$N$是矩阵的维数。其他结果包括存在的能力的范德蒙通道(极限积分的预期日志行列式)。
Sparsity Order Estimation from a Single Compressed Observation Vector
我们调查的问题,估计未知程度的稀疏压缩测量,而不需要进行稀疏恢复步骤。虽然在多个快照的情况下,可以直接从观测矩阵的有效秩推断稀疏度阶,但在更具挑战性的单快照情况下,这似乎是不可能的。我们表明,专门设计的测量矩阵允许重新排列的测量向量到一个矩阵,使其有效的秩与有效的稀疏顺序相一致。事实上,我们证明,矩阵组成的Khatri-Rao产品的较小的矩阵产生的测量,允许推断的稀疏顺序。此外,如果某些样本被使用了不止一次,则其中一个矩阵需要是Vandermonde。这些结构约束减少了选择测量矩阵的自由度,这可能导致可实现的相干性的劣化。因此,我们也解决了测量矩阵的适当选择。特别是,我们分析了Khatri-Rao和Vandermonde矩阵的一致性,并提供了一种新的设计Vandermonde矩阵,实现了低的一致性。
DOA Estimation for Transmit Beamspace MIMO Radar via Tensor Decomposition with Vandermonde Factor Matrix
研究了张量分解在发射波束域多输入多输出雷达波达方向估计中的应用问题。设计了一种通用的四阶张量模型,使计算效率高的DOA估计。而其他张量分解为基础的方法把所有的因素矩阵作为任意的,所提出的DOA估计方法的本质是充分利用的因素矩阵的Vandermonde结构,以利用不同的子阵列之间和内部的移位不变性。具体地,TB MIMO雷达的接收信号被表示为4阶张量。根据目标多普勒频移,构造的张量被重塑成两个不同的3阶张量。提出了一种计算效率高的张量分解方法来分解范德蒙因子矩阵。通过计算范德蒙因子矩阵的生成元来估计子阵之间的相位旋转,并利用该相位旋转作为查找表来估计目标DOA。它进一步表明,我们提出的方法可以用于更一般的情况下,子阵列结构可以是任意的,但相同的。该方法不需要张量秩的先验信息,并能保证得到精确的分解结果。仿真结果表明,提出的DOA估计方法相比,传统的DOA估计技术的TB MIMO雷达的性能改善。
Vandermonde Matrices with Nodes in the Unit Disk and the Large Sieve
研究单位圆内节点范德蒙德矩阵的极值奇异值和条件数,通过大筛法不等式建立新联系,提出更简洁且更精确的条件数界,提升数值稳定性。
Asymptotic Behavior of the Maximum and Minimum Singular Value of Random Vandermonde Matrices
这项工作将探讨各种统计分布与随机范德蒙矩阵及其扩展到$d$ -维相位分布。最大奇异值的上、下界渐近分别为$O(\log^{1/2}{N^{d}})$和$Ω((\log N^{d} /(\log \log N^d))^{1/2})$,其中$N$是矩阵的维数,推广了\cite{TW}中的结果.进一步研究了这类随机矩阵的最小奇异值的性质。特别是,我们证明了最小奇异值是至多$N\exp(-C\sqrt{N}))$与高概率$C$是一个常数独立的$N$。此外,常数$C$的值被明确地确定。主要结果是通过两种不同的方式得到的。一种方法使用随机过程的技术,特别是与布朗桥相关的构造。另一个是一个更直接的分析方法,涉及组合学和复分析。因此,我们得到了单位圆上的随机复多项式的最大绝对值的下界,这可能是独立的数学兴趣。最后,对于每个序列的正整数${k_p}_{p=1}^{\infty}$,我们提出了一个广义版本的前面讨论的矩阵。经典的随机范德蒙矩阵对应于序列$k_{p}=p-1$。我们发现一个组合公式,他们的时刻,我们表明,极限特征值分布收敛到概率测度支持$[0,\infty)$。最后证明了序列$k_p=2^{p}$的极限特征值分布是著名的Marchenko-Pastur分布。
Super-resolution, Extremal Functions and the Condition Number of Vandermonde Matrices
超分辨率是成像中的一项基本任务,其目标是从粗粒度测量中提取细粒度结构。在这里,我们感兴趣的是这个问题的一个流行的数学抽象,已被广泛研究的统计,信号处理和机器学习社区。我们精确地解决了噪声超分辨率可能达到的阈值。特别是,我们建立了一个尖锐的相变之间的关系的截止频率($m$)和分离($Δ$)。如果是$m > 1/Δ+ 1$,我们的估计器就噪声的大小而言以逆多项式速率收敛到真值。并且当$m < (1-ε) /Δ$时,即使噪声的幅度是指数小的,也没有估计器可以区分特定的一对$Δ$分离的信号。我们的研究结果涉及{ \em极值函数}和范德蒙矩阵的谱性质之间的新的连接。我们建立了一个尖锐的相变,其条件数,这反过来又使我们能够给第一噪声容忍界限的矩阵束方法。此外,我们表明,我们的方法可以被解释为范德蒙矩阵的预条件,我们使用这个观察来设计更快的算法超分辨率。我们相信,这些想法可能有其他的应用程序在设计更快的算法,在信号处理的其他基本任务。
Signal Recovery From Product of Two Vandermonde Matrices
本文研究了压缩感知和相位恢复问题,提出基于Vandermonde矩阵的测量与恢复方法,在仅需$2s$或$O(s)$次测量及多项式复杂度下实现了对稀疏信号的精确恢复,并解决了相位恢复中的多解问题。
扫码添加微信好友,提出您的宝贵建议 👇
💡 备注请填写:网站反馈
发表机构由 AI 从论文文本抽取,如发现错误,欢迎反馈修正建议。