Novel Blind Signal Classification Method Based on Data Compression
提出了一种新的信号分类算法。我们考虑一个非平稳随机信号，其中样本可以分为几个不同的类，在每个类中的样本是相同的独立分布的未知概率分布。所要解决的问题是估计类的概率分布和样本对类的正确隶属度。提出了一种基于数据压缩原理的信号分类方法，即分类问题中的精确估计导致了用于数据压缩的最优信号模型。该方法将分类问题公式化为优化问题，其中所谓的{“分类增益”}被最大化。为了克服整数优化中的困难，我们提出了一种基于连续松弛的算法。本文证明了连续松弛的最优性损失是渐近消失的。仿真结果表明，该算法具有较低的计算复杂性和较好的鲁棒性。该算法可用于解决各种多媒体信号的分割、分析和模式识别问题。
2009-03-02 cs.IT math.IT
A Comparative Study of Audio Compression Based on Compressed Sensing and Sparse Fast Fourier Transform (SFFT): Performance and Challenges
音频压缩已成为多媒体的基本技术之一。在世界范围内的不同标准中，希望选择能够在提供高压缩比的同时保持信号质量的有效压缩方案。本文研究了压缩感知和稀疏傅立叶变换两种稀疏信号处理算法在音频压缩中的应用。此外，我们提出了一种基于稀疏快速傅立叶变换（SFFT）的音频压缩框架。该方案将K个最大频率索引嵌入作为传输信号的一部分，从而节省了传输所需的带宽
2014-03-12 cs.IT math.IT
MF-based Dimension Reduction Signal Compression for Fronthaul-Constrained Distributed MIMO C-RAN
在这项工作中，我们提出了一个前传压缩方案的分布式MIMO系统与多天线接收机，其中，在信号量化之前，在每个接收机进行降维匹配滤波接收到的信号与一个子集的本地用户信道向量。通过基于全局信道信息来选择这些匹配滤波器向量，可以通过少量信号分量来捕获高比例的潜在容量，然后可以使用局部信号压缩来有效地压缩这些信号分量。我们概述了一个贪心算法为每个接收器选择匹配的滤波矢量，和一个本地变换编码的方法来量化它们，给出表达式所得到的系统和用户容量。然后，我们表明，该计划很容易修改，以占不完美的CSI在接收机。数值结果表明，在低信号维数下，该方案能够在非常接近于切集界的情况下工作，并且在所有工作点，特别是在高信噪比下，与局部压缩相比，该方案在速率容量权衡方面都有显着的改善。
2020-05-27 cs.IT math.IT
System-Aware Compression
许多信息系统采用有损压缩作为其它处理组件之间的关键中间阶段。虽然重要的失真由系统的输入和输出信号定义，但压缩通常忽略系统结构，因此导致总体次优率失真性能。在本文中，我们提出了一种压缩方法，考虑到一个已知的系统布局，使用线性算子和噪声建模的操作率失真优化。使用交替方向乘法器（ADMM）技术，我们表明，新的全球优化压缩的设计减少到一个标准的压缩的“系统调整”的信号。本质上，所提出的框架利用标准压缩技术来解决噪声信源编码问题的实际设置。我们进一步解释我们的方法的主要思想，通过理论研究的情况下，循环平稳高斯信号。我们提出了一维信号的编码和使用HEVC标准的视频压缩的实验结果，通过对采集-渲染系统的调整显示出显著的增益。
2018-05-11 cs.IT math.IT
From compression to compressed sensing
可以采用压缩算法从欠定线性测量集合中恢复信号吗？解决这个问题是将压缩算法应用于压缩感知（CS）的第一步。在本文中，我们考虑一个家庭的压缩算法$\mathcal{C}_r$，参数化率$r$，一个紧凑的一类信号$\mathcal{Q} \subset \mathds{R}^n$。不同速率的自然图像集和JPEG分别是$\mathcal{Q}$和$\mathcal{C}_r$的示例。我们建立了率失真性能的$\mathcal{C}_r$之间的连接，并成功恢复CS所需的线性测量的数量。然后，我们提出了可压缩信号追踪（CSP）算法，并证明，以高概率，它准确和鲁棒地恢复信号从一组欠定的线性测量。我们还探讨了CSP在无限维信号恢复中的性能。
2013-07-10 cs.IT math.IT
Compression-based methods for nonparametric density estimation, on-line prediction, regression and classification for time series
我们解决平稳和遍历时间序列的特征的非参数估计问题。我们考虑有限字母表时间序列和实值时间序列以及以下四个问题：i）（极限）概率的估计（或实值时间序列密度的估计），ii）在线预测，iii）回归和iv）分类（或所谓的边信息问题）。我们表明，所谓的存档（或数据压缩器）可以用作解决这些问题的工具。特别是，首先，它被证明，任何所谓的通用代码（或通用数据压缩器）可以被用来作为一个基础，为上述问题构造渐近最优方法。(By定义，通用码可以渐近地“压缩”由平稳和遍历源生成的任何序列，直到源的香农熵。其次，我们通过实验表明，基于实际使用的数据压缩方法的估计具有合理的精度。
2007-11-01 cs.IT math.IT
Task-Oriented Lossy Compression with Data, Perception, and Classification Constraints
本文扩展信息瓶颈原理至多任务场景，推导了率-失真-分类和率-感知-分类的闭式解，证明分类与感知无权衡，并实现深度学习图像压缩框架验证理论。
2025-01-20 cs.IT math.IT
Greedy Adaptive Compression in Signal-Plus-Noise Models
本文的目的是研究贪婪的自适应测量政策的上下文中的线性高斯测量模型的优化标准的基础上的信息增益。在连续标量测量的特殊情况下，我们提供了充分的条件下，贪婪的政策实际上是最佳的意义上最大化的净信息增益。在一般情况下，我们还讨论了贪婪策略不是最优的情况。
2012-08-17 cs.IT math.IT
On Finite Memory Universal Data Compression and Classification of Individual Sequences
考虑这样一种情况，其中有限字母表上的半无限个体序列X的N个字母的连续块通过某种一对一映射被压缩成二进制序列。在编码器中没有关于X的先验信息，因此必须采用通用的数据压缩算法。众所周知，如果通用的LZ 77数据压缩算法被连续地应用于N个块，则对于特定的单个序列X实现了最佳的无差错压缩，因为$N$趋于无穷大。本文讨论了有限N块的通用数据压缩算法所能达到的最佳压缩效果。接下来，考虑一种称为分类器（或称分类器）的设备，它观察一个单独的训练序列X。分类器的任务是检查长度为N的各个测试序列，并根据一些适当的准则来决定测试N序列是否具有与训练序列X捕获的特征相同的特征，或者是否充分不同。这里再次证明，具有在N中为线性的存储空间复杂度的特定通用上下文分类器本质上是最优的。这可能有助于在学习理论和计算生物学中的概率后缀树（PST）方法的理论“个体序列”的理由。
2013-01-24 cs.IT math.IT
A Theory of Universal Rate-Distortion-Classification Representations for Lossy Compression
本文基于率-失真-感知-分类（RDPC）框架，受通用RDP编码器启发，研究通过单个固定编码器结合多解码器实现多样失真-分类权衡的通用表示，理论与实验验证其在高斯源及MNIST、SVHN数据集上的有效性与实用性。
2025-04-14 cs.IT math.IT
Restoration by Compression
在本文中，我们研究了使用复杂度正则化的信号恢复的主题，量化的信号估计的压缩比特成本。虽然复杂性正则化恢复是一个既定的概念，但仅针对高斯去噪任务提出了可靠的实用方法，留下了更复杂的恢复问题，而没有一般的建设性方法。在这里，我们提出了实用的方法，复杂的正则化恢复的信号，容纳退化所造成的一个已知的线性算子的任意形式。我们的迭代过程，使用交替方向乘法（ADMM）的方法，解决恢复任务作为一个序列的更简单的问题，涉及L2正则化估计和率失真优化（考虑平方误差标准）。此外，我们取代率失真优化与任意标准化的压缩技术，从而恢复信号，利用底层模型设计的压缩。此外，我们提出了一个移位不变的复杂度正则化，测量所有移位形式的估计的比特成本，扩展我们的方法使用从移位信号的压缩收集的解压缩输出的平均值。在理论方面，我们提出了一个分析的复杂性正则化恢复的循环平稳高斯信号从恶化的线性移不变算子和加性高斯白噪声。该理论表明，最佳复杂度正则化恢复依赖于一个基本的恢复滤波器和压缩传播重建质量不均匀的基础上的退化滤波器的能量分布。很好，这些想法也实现了在提出的实用方法。实验结果表明，使用JPEG2000和HEVC压缩标准的图像去模糊和修复效果良好。
2018-07-23 cs.IT math.IT
Energy Efficient Telemonitoring of Physiological Signals via Compressed Sensing: A Fast Algorithm and Power Consumption Evaluation
生理信号的无线远程监测是eHealth中的重要课题。为了减少片上能耗和延长传感器寿命，记录的信号通常在传输前进行压缩。本文采用压缩感知（CS）作为低功耗压缩框架，提出了一种快速块稀疏贝叶斯学习（BSBL）算法来重构原始信号。对真实胎儿心电信号和癫痫脑电信号的实验结果表明，与现有的CS算法相比，该算法在重建速度和数据重建精度之间取得了较好的平衡。此外，我们在现场可编程门阵列（FPGA）中实现了基于CS的压缩过程和基于小波变换的低功耗压缩过程，表明基于CS的压缩可以大大节省能量和其他片上计算资源。
2014-03-05 cs.IT math.IT
Universal Representations for Classification-enhanced Lossy Compression
Oregon State University（俄勒冈州立大学）
本文探索通用表示，开发单个编码器以在各种失真和分类（或感知）约束下实现多个解码目标，避免为每个操作点重训练编码器，在MNIST数据集验证其在感知压缩任务中性能下降小，但在RDC设置中跨权衡点应用会导致显著失真损失。
2025-04-12 cs.AI cs.CV cs.IT
Bayesian De-quantization and Data Compression for Low-Energy Physiological Signal Telemonitoring
我们解决的问题，应用量化压缩感知（CS）的低能耗远程监护。到目前为止，很少有工作研究这个问题的应用中，信号只是近似稀疏。我们提出了一个两阶段的数据压缩器的基础上量化CS，其中信号压缩压缩感知，然后压缩测量量化与每个测量只有2位。这种压缩器可以大大减少传输比特预算。为了从欠定的量化测量中恢复信号，我们开发了贝叶斯去量化算法。该方法可以利用量化误差模型和生理信号的相关结构来提高恢复质量。建议的数据压缩器和恢复算法进行了验证，在快速运行的12个主题的数据集上记录。实验结果表明，采用压缩比为50%的压缩感知和2位量化器相结合的方法，平均估计误差为2.596次/分钟（BPM）。结果表明，我们可以有效地传输n比特，而不是n个样本，这是一个实质性的改进，为低能耗的无线远程监护。
2015-06-06 cs.IT math.IT
Dimension Reduction-based Signal Compression for Uplink Distributed MIMO C-RAN with Limited Fronthaul Capacity
提出了一种基于降维的上行分布式MIMO云无线接入网（C-RAN）信号压缩方案，该方案在接收天线总体过剩的情况下，用户由通过单个有限容量前传链路连接到中央处理器的分布式多天线接收机联合服务。我们首先表明，在量化噪声限制的操作下，在每个接收器处应用线性降维，然后用均匀的量化噪声水平局部压缩，导致总和容量与前传容量近似线性地缩放，并且可以在割集界限的固定间隙内。最大化联合互信息的降维滤波器被证明是条件Karhunen-Loeve变换的截断形式，并给出了一种块坐标上升算法来寻找一个稳定点。分析和数值计算结果表明，信号维数可以减少，而不会显着的信息损失，特别是在高信噪比，保留使用多余的天线的好处。然后，该方法适用于在接收机处的不完美的信道状态信息的情况。该方案在所有前传速率下都明显优于传统的本地信号压缩，并且网络大小的复杂度线性代表了分布式MIMO C-RAN系统的可扩展解决方案。
2020-05-26 cs.IT math.IT
Compression and Recovery of Distributed Random Signals
我们考虑的情况下，当一组空间分布的传感器进行本地观测，这是一个感兴趣的信号的噪声版本。每个传感器将关于其测量的压缩信息传输到融合中心，融合中心应该在规定的精度内恢复原始信号。这种信息处理涉及无线传感器网络（WSN）场景。关键问题是找到传感器和融合中心的模型，使它们在一定的标准下，如均方误差（MSE）的相关误差最小化的意义上是最优的。我们确定的技术，这是一个组合的最大块改进（MBI）方法和通用的Karhunen-Loève变换（KLT）的模型。由此产生的多压缩KLT-MBI算法给出的伪逆矩阵，因此，它是数值稳定的，总是存在的。所提出的模型提供了压缩，去噪和重建的情况下，已知的方法是不适用的（由于奇异性的相关矩阵）或产生较大的相关误差的分布式信号。提供了误差分析。
2015-08-19 cs.IT math.IT
A Rate-Distortion-Classification Approach for Lossy Image Compression
Beijing Institute of Computer Technology and Application（北京计算机技术及应用研究所）
针对有损图像压缩需兼顾视觉分析语义失真的需求，提出率-失真-分类（RDC）统一优化框架，经统计分析和MNIST实验验证其具备理想特性，为人机友好压缩及VCM发展提供新思路。
2024-05-06 cs.AI cs.CV cs.IT
The Bioelectrical Information Theory: Investigating the theoretical compression limit of bioelectrical signals under artificial intelligence
College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）；Shanghai Key Laboratory of Intelligent Information Processing（上海智能信息处理重点实验室）；Fudan University（复旦大学）
提出生物电压缩的三级层次框架，将压缩极限重构为模型和任务条件量，而非波形的固定属性。
2026-06-07 cs.AI cs.IT math.IT
Semantic Text Compression for Classification
The Ohio State University（俄亥俄州立大学）
本文研究利用句子嵌入和语义失真度量的文本语义量化与压缩方法，在分类任务中以极小准确率损失实现数量级的比特资源节省，并通过语义聚类进一步放大节省效果，且在多个基准文本分类数据集上验证了方法的泛化能力。
2023-09-19 cs.CL cs.IT math.IT
Joint Signal and Channel State Information Compression for the Backhaul of Uplink Network MIMO Systems
在网络MIMO蜂窝系统中，基站（BS）的子集或远程无线电头端经由回程链路连接到中央单元（CU），所述中央单元在下行链路中执行联合编码并且在上行链路中执行联合解码。聚焦于上行链路，用于回程链路上的BS与对应CU之间的通信的有效解决方案是基于压缩和转发来自每个BS的基带接收信号。在存在遍历衰落的情况下，从BS向CU传送信道状态信息（CSI）可能需要回程容量的相当大的部分。在先前的工作中，通过假设压缩-前向-估计（CFE）方法来研究这方面，由此BS压缩训练信号并且CSI估计在CU处发生。相反，在这项工作中，研究了估计-压缩-转发（ECF）方法，由此BS执行CSI估计并将CSI的压缩版本转发给CU。这种选择的动机是信息理论的最优分离估计和压缩。提出了各种ECF策略，其执行估计的CSI和接收信号的单独或联合压缩。此外，当考虑多个BS时，所提出的策略与分布式信源编码相结合。还提出了在回程链路上不传送任何CSI或训练信息的“半相干”策略。通过数值结果，它表明，一个适当的设计ECF策略的基础上联合接收信号和估计的CSI压缩或半相干方案导致大量的性能增益相比，更传统的方法，基于非相干传输或CFE方法。
2013-10-23 cs.IT math.IT
An efficient algorithm for compression-based compressed sensing
现代图像和视频压缩码采用存在于这种信号中的精细结构来将它们编码成少量比特。另一方面，压缩感知恢复算法使用这样的信号的结构来从很少的线性观测中恢复它们。尽管压缩感知领域取得了稳步进展，但通常用于信号恢复的结构仍然比最先进的压缩编码所采用的结构简单得多。本文的主要目标是弥合这一差距，通过回答以下问题：可以采用一个给定的压缩代码，建立一个有效的（多项式时间）压缩感知恢复算法？针对这一问题，提出了基于压缩的梯度下降（C-GD）算法。C-GD是一种低复杂度的迭代算法，能够采用通用压缩码进行压缩感知，因此将压缩感知中使用的结构的范围提升到压缩码所使用的范围。从理论上分析了C-GD算法的收敛性能和所需的测量次数对压缩码率失真性能的影响。同时也证明了C-GD算法对加性高斯白噪声的鲁棒性。最后，所提出的仿真结果表明，结合C-GD与商业图像压缩编码，如JPEG 2000产生国家的最先进的性能在成像应用。
2017-04-06 cs.IT math.IT
Compression via Compressive Sensing : A Low-Power Framework for the Telemonitoring of Multi-Channel Physiological Signals
远程医疗和可穿戴设备可以远程提供个人医疗保健和必要的治疗。一个主要的挑战是通过无线网络传输大量的生物信号。有限的电池寿命要求低功耗的数据压缩器。压缩传感（CS）已被证明是一种低功耗的压缩机。在这项研究中，我们应用CS多通道生物信号的压缩。我们首先从块稀疏贝叶斯学习（BSBL）框架中开发了一种高效的CS算法。它是基于块稀疏模型和多个测量向量模型的组合。在真实胎儿心电图上的实验表明，该算法具有较高的逼真度和效率。通过硬件实现，与基于离散小波变换（DWT）的算法进行了比较，验证了该算法具有低功耗和占用较少计算资源的优点。
2013-11-16 cs.IT math.IT
Distributed Fronthaul Compression and Joint Signal Recovery in Cloud-RAN
云无线电接入网络（C-RAN）是用于未来移动通信的有前途的网络架构，并且其大规模实现的一个实际障碍是将分布式远程无线电头端（RRH）连接到C-RAN中的集中式基带池（BBU）的高容量和低延迟前传的严格要求。为了提高C-RAN网络的可扩展性，在信号检测中考虑前传负载是非常重要的，并且非常期望降低C-RAN系统中的前传负载。在本文中，我们考虑上行链路C-RAN系统，我们提出了一个分布式前传压缩方案在分布式RRH和联合恢复算法在BBU部署分布式压缩感知（CS）的技术。与传统的分布式CS不同，C-RAN系统中的CS问题需要考虑多址衰落的潜在影响，以便从用户端到端地恢复发送的信号。我们分析了所提出的端到端信号恢复算法的性能，我们表明，在C-RAN系统中的聚合测量矩阵，其中包含分布式前传压缩和多址衰落，仍然可以满足限制等距属性的概率很高。基于这些结果，我们推导出C-RAN系统中上行链路容量和前传负载之间的折衷结果。
2014-12-15 cs.IT math.IT
Compression-Based Compressed Sensing
现代压缩算法利用信号中存在的复杂结构来非常有效地描述它们。另一方面，压缩感知领域建立在观察到“结构化”信号可以从其欠定的线性投影集合中恢复的基础上。目前，在压缩感知领域中研究的结构的复杂性与最先进的压缩编码所采用的结构的复杂性之间存在很大的差距。确定性信号的文献中的最新结果旨在通过设计采用压缩码的压缩感知解码器来弥合这一差距。本文以结构化随机过程为研究对象，研究率失真编码在此类信号压缩感知中的应用。在这种随机环境下，研究了以前提出的可压缩信号追踪（CSP）算法的性能。它被证明，在非常低的失真制度，作为块长度增长到无穷大，CSP算法可靠和鲁棒地恢复$n$实例的平稳过程从随机线性投影，只要他们的计数是略大于$n$倍的率失真维数（RDD）的来源。在一定的正则性条件下，平稳过程的RDD等于它的信息维（ID）。这种连接建立了CSP算法的最优性，至少对于无记忆平稳源，其基本限制是已知的。最后，它表明，CSP算法结合了一个家庭的通用变长固定失真压缩码产生一个家庭的通用压缩感知恢复算法。
2016-01-07 cs.IT math.IT
Almost Lossless Analog Signal Separation
我们提出了一个模拟信号分离的信息理论框架。具体来说，我们考虑的问题，恢复两个模拟信号的线性测量的信号的无噪声和。我们的框架受到Wu和Verdú（2010）关于几乎无损模拟压缩的开创性工作的启发。本文件的主要结果是一个一般的可扩展性界的压缩率在模拟信号分离问题，一个精确的表达的情况下，具有混合离散连续分布的信号的最佳压缩率，和一种新的技术，用于显示通用子空间的交集与足够小的Minkowski维数的子集是空的。这种技术也可以用来获得Wu and Verdú（2010）中一个关键结果的简化证明。
2013-05-15 cs.IT math.IT
Compression Spectrum: Where Shannon meets Fourier
本文提出利用无损压缩算法 ETC 构建压缩谱，将信号处理与信息论结合以分析时间序列的可压缩性，并在合成信号与真实心率数据上验证了其区分不同信号和生理状态的能力。
2023-09-20 cs.IT eess.SP math.IT
FeatureZ: A General Framework for Feature-Preserving Compression via Pointwise Bounds and Star Classification
University of Utah（犹他大学）；Oregon State University（俄勒冈州立大学）；Ohio State University（俄亥俄州立大学）
FeatureZ是针对结构化体标量场的有损压缩通用框架，通过保留逐点界与一致星形分类实现多样特征保留，开销极小，压缩比优于或相当于专用方法。
2026-10-09 cs.GR cs.IT math.IT
High-Dimensional Signal Compression: Lattice Point Bounds and Metric Entropy
University of Rochester（罗切斯特大学）；Binghamton University（宾汉姆顿大学）；Institute of Mathematics and Yerevan State University（数学研究所与埃里温国立大学）
本文研究在ℓ²能量约束下，基于坐标依赖量化精度的最坏情况信号压缩问题，通过计数对角椭球内的格点数，得到维度相关的码本大小上界，并改进了Landau的经典格点估计。
2026-04-03 cs.IT cs.NA math.IT
Robust Distributed Compression of Symmetrically Correlated Gaussian Sources
考虑具有$\ell$分布式编码器和集中式解码器的有损压缩系统。每个编码器压缩其观测源，并将压缩数据转发到解码器，用于在均方误差失真约束下联合重建目标信号。假设观测源可以表示为目标信号和破坏性噪声之和，这两个破坏性噪声独立地产生于两个对称的多元高斯分布。取决于这样的分布的参数，该系统的率失真极限的特征在于完全或至少足够低的失真。结果被进一步扩展到鲁棒分布式压缩设置，其中编码器的子集的输出也可以用于产生对应的目标信号的非平凡重构。特别是，我们在高-当所有$\ell$编码器中的每个$k$共同以相同模式操作时，基于$k+1$或更多编码器的输出的最小可实现重构失真的精确表征，该模式在最小化由相应$k$目标信号的重构引起的失真相对于这些目标信号的平均速率的意义上是贪婪的$k$编码器。
2018-07-18 cs.IT math.IT
Fundamental Distortion Limits of Analog-to-Digital Compression
用一组样本来表示连续时间信号是信号处理中的一个经典问题。我们研究这个问题的额外约束下，在有限的比特率预算下，以有损的方式量化或压缩的样本。为此，我们考虑一个组合的采样和信源编码的问题，其中一个模拟的平稳高斯信号是从其编码样本重建。这些样本是通过连续时间路径的一组有界线性泛函获得的，并且对该设置中每单位时间获得的平均样本数量有限制。我们提供了一个完整的表征的采样频率，比特率和信号的频谱方面的最小失真。假设信号的能量不是均匀分布在其频谱支持，我们表明，对于每个压缩比特率存在一个临界采样频率小于奈奎斯特速率，使得在此频率下采样时，信号重构的失真是最小的。我们的结果可以被看作是一个扩展的经典采样定理的带限随机过程的意义上，它描述了最小量的过度失真的重建，由于有损压缩的样本，并提供了所需的最小采样频率，以实现这种失真。最后，我们比较的基本限制相结合的信源编码和采样问题的脉冲编码调制（PCM）的性能，其中每个样本是由一个标量量化器使用一个固定的比特数进行量化。
2018-04-10 cs.IT math.IT
Trigonometric dictionary based codec for music compression with high quality recovery
Aston University（阿斯顿大学）
提出了一种用于音乐信号压缩的编解码器。该方法属于变换有损压缩类。它被认为是应用于高质量的恢复范围。这种变换依赖于对音乐信号构造高质量稀疏近似的能力，赋予了编解码器以其独特的特征。这是通过一个冗余的三角字典和一个专用的追求策略。该方法的潜力是通过与OGG Vorbis格式的比较来说明的，在一个由旋律音乐片段组成的样本上。该比较证明了对于相同质量的解压缩信号，压缩性能的显著改善。
2015-12-14 cs.IT cs.SD math.IT
Software-based signal compression algorithm for ROM-stored electrical cables
本研究提出结合自适应编码与硬件辅助压缩的新型架构，实现ROM存储电缆周期信号压缩的功耗与通信量降低，还探索了ROM废热的热电回收利用，助力智能电网与嵌入式系统能效提升。
2023-07-09 cs.AR cs.IT eess.SP
Algorithmic Clustering based on String Compression to Extract P300 Structure in EEG Signals
本文提出基于归一化压缩距离的聚类方法，通过信号到ASCII转换提取EEG中P300结构，实验证明其性能可比肩现有方法，并可辅助电极选择。
2025-01-31 cs.IT cs.LG eess.SP
Second Degree Model for Multi-Compression and Recovery of Distributed Signals
我们研究了多个独立的传感器（或压缩器），将压缩后的信息传输到一个融合中心的随机信号的多重压缩和重建问题。{这个问题的关键方面是找到传感器和融合中心的模型，这些模型在一定的标准下，例如均方误差（MSE），在误差最小化的意义上被优化。}开发了一种解决该问题的新技术。其新颖之处如下。首先，多压缩器是非线性的，并且使用二次多项式建模。与线性情况相比，这可以通过在更高维参数空间中的优化来增加信号估计的准确性。其次，所需的模型是由一种方法的基础上的组合的二度变换（SDT）与最大块改进（MBI）的方法和广义秩约束矩阵近似确定。它允许我们使用已知方法的优点，以进一步提高源信号的估计精度。第三，所提出的方法是合理的伪逆矩阵。结果表明，压缩机和聚变中心的模型始终存在，并且数值稳定。换句话说，所提出的模型可以在已知方法不适用或可能产生更大的相关误差的情况下提供分布式信号的压缩、去噪和重构。
2021-11-05 cs.IT math.IT math.OC
Cross-Domain Lossy Compression via Constrained Minimum Entropy Coupling
School of Electrical Engineering（电气工程学院）；Computer Science Oregon State University Corvallis, OR, 97331 Email（计算机科学，俄勒冈州立大学，科瓦利斯，OR，97331 邮箱）；Computer Science, Oregon State University, Corvallis, OR, 97331（计算机科学，俄勒冈州立大学，科瓦利斯，OR，97331）
本文研究了通过最小熵耦合（MEC）进行跨领域损失压缩，考虑了率和分类约束。采用基于信息的客观函数，最大化源与重建之间的耦合强度，而非最小化样本失真。针对伯努利源，推导了有无分类约束的闭式表达式，并实现了一个神经恢复框架，实验表明增加可用率可提升分类准确性和重建信息性。
2026-05-11 cs.IT cs.LG math.IT
VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
本文提出基于变分自编码器特征解耦的方法，通过低维潜在表示插值实现数据压缩与增强，在四个GNSS干扰数据集上达到最高99.92%的分类准确率和512至8192倍的压缩率。
2025-04-14 cs.AI cs.IT cs.LG
Joint Transmission and Compression Optimization for Networked Sensing with Limited-Capacity Fronthaul Links
针对容量受限前传的蜂窝网络化感知，本文以PCRB为指标联合优化基站发射与压缩策略，并提出交替优化、SCA及大规模天线的估计-波束赋形-压缩方法。
2024-09-06 cs.IT eess.SP math.IT
Compressed sensing with l0-norm: statistical physics analysis and algorithms for signal recovery
本文用统计物理方法分析l0范数压缩感知的解结构，提出两种消息传递算法，在更高压缩率下高效恢复信号，优于LASSO。
2023-04-24 cond-mat.dis-nn cond-mat.stat-mech cs.IT
Normalized Compression Distance of Multisets with Applications
Drexel University（德雷塞尔大学）；University of Amsterdam（阿姆斯特丹大学）
归一化压缩距离（NCD）是一种基于压缩的无参数、无特征、无约束的有限对象之间的相似性度量。但这并不足以满足所有应用。我们提出了一个有限多集的NCD（a.k.a.倍数）的有限对象，这也是一个度量。以前，获得这种非传染性疾病的尝试失败了。我们涵盖了从理论基础到可行实践的整个轨迹。新的NCD多集适用于视网膜祖细胞分类问题和相关的合成生成的数据，较早处理成对的NCD。使用新方法，我们取得了明显更好的结果。关于轴突细胞器运输的问题也是如此。我们还将新的NCD应用于手写数字识别，并通过将成对NCD和NCD用于多集来显著提高分类精度。在分析中，我们使用不可计算的柯尔莫哥洛夫复杂度，出于实际目的，使用真实世界的压缩程序，通过所涉及的文件的压缩版本的长度从上面近似。索引术语-归一化压缩距离、多集或多集、模式识别、数据挖掘、相似性、分类、柯尔莫哥洛夫复杂性、视网膜祖细胞、合成数据、细胞器传输、手写字符识别
2013-03-29 cs.CV cs.IT math.IT
Pareto-optimal data compression for binary classification tasks
Massachusetts Institute of Technology（麻省理工学院）
有损数据压缩的目标是降低数据集$X$的存储成本，同时尽可能多地保留有关您所关心的内容（$Y$）的信息。例如，图像$X$的哪些方面包含关于它是否描绘猫的最多信息？在数学上，这对应于找到使互信息$I(Z,Y)$最大化而熵$H(Z)$保持低于某个固定阈值的映射$X\to Z\equiv f(X)$。我们提出了一种方法来映射出分类任务的帕累托边界，反映保留熵和类信息之间的权衡。首先，我们展示了如何从类$Y\in\{1,...,n\}$中提取的随机变量$X$（例如，图像）可以被提取到向量$W=f(X)\in \mathbb{R}^{n-1}$中，从而使$I(W,Y)=I(X,Y)$ ;例如，对于猫和狗的二进制分类任务，每个图像$X$被映射到一个单一的实数$W$中，保留有助于区分猫和狗的所有信息。对于$n=2$的情况下，二进制分类，然后，我们展示了如何$W$可以进一步压缩成一个离散变量$Z=g_β(W)\in\{1,...,m_β\}$通过将$W$到$m_β$箱，在这样一种方式，改变参数$β$扫出完整的帕累托边界，解决了广义的离散信息瓶颈（DIB）问题。我们认为，最有趣的点在这个前沿是“角落”最大化$I(Z,Y)$为一个固定数量的箱$m=2,3...$，可以方便地找到没有多目标优化。我们将此方法应用于CIFAR-10，MNIST和Fashion-MNIST数据集，说明它可以被解释为一个信息理论…
2020-01-15 cs.CV cs.IT cs.LG
