arXiv 1008.35972010-08-21cs.ITmath.IT

离散概率分布的Quantization

Quantization of Discrete Probability Distributions

Yuriy A. Reznik

摘要：

我们研究的离散概率分布的量化问题，产生的通用编码，以及其他应用。我们表明，在许多情况下，这个问题可以减少到单位单纯形的覆盖问题。这种设置产生精确的渐近特性的高速率制度。我们还描述了一个简单的和渐近最优的算法来解决这个问题。该算法的性能进行了研究，并与几个已知的解决方案。

英文摘要：

We study the problem of quantization of discrete probability distributions, arising in universal coding, as well as other applications. We show, that in many situations this problem can be reduced to the covering problem for the unit simplex. This setting yields precise asymptotic characterization in the high-rate regime. We also describe a simple and asymptotically optimal algorithm for solving this problem. Performance of this algorithm is studied and compared with several known solutions.

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。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

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

相关论文

具有均匀输出Quantization的离散时间信道容量

On the Capacity of the Discrete-Time Channel with Uniform Output Quantization

本文提供了新的见解的经典问题，确定的容量的离散时间信道的均匀输出量化和容量实现输入分布。它建立在早期的工作Gallager和Witsenhausen提供了一个详细的分析两个特定的量化方案。第一种是饱和量化，其中溢出被映射到最近的量化仓，第二种是环绕量化，其中溢出在减少某个模数之后被映射到最近的量化仓。确定了实现量化的容量和实现输入分布的容量。当加性噪声为高斯噪声且相对较小时，饱和量化的容量被包络量化的容量限制。在任意多个均匀的量化水平的限制，它表明，由Ihara给出的容量的上限和下限之间的差异只有0.26位。

2009-01-16cs.ITmath.IT

非均匀拉伸谢尔宾斯基三角形上概率测度的最优量化

Optimal quantization for a probability measure on a nonuniform stretched Sierpiński triangle

本文研究非均匀拉伸谢尔宾斯基三角形上Borel概率测度的最优量化，给出了所有正整数n下的n-均值最优集及量化误差。

2025-05-27cs.ITmath.IT

输出为Quantization时离散时间AWGN信道的容量

Capacity of the Discrete-Time AWGN Channel Under Output Quantization

我们研究了在离散时间加性高斯白噪声（AWGN）信道上，当信道输出使用少量比特进行量化时，通信的限制。我们首先提供了一个证明我们最近的猜想在这种情况下的离散输入分布的最优性。具体地，我们表明，对于任何给定的输出量化器选择与K量化箱（即，log 2K比特的精度），在平均功率约束下，输入分布不需要具有任何多于K + 1个质量点来实现信道容量。切割平面算法被用来计算这个能力，并产生最佳的输入分布。数值优化的量化器的选择，然后进行（2位和3位对称量化），我们得到的结果表明，由于低精度输出量化，这是小的，在低信噪比（SNR）的损失，可以是相当可以接受的，即使是中等到高的SNR值。例如，在高达20 dB的SNR下，2-3比特量化实现了使用无限精度量化可实现的容量的80-90%。

2008-05-15cs.ITmath.IT

二进制离散无记忆信道的Quantization

Quantization of Binary-Input Discrete Memoryless Channels

考虑了二进制输入离散无记忆信道输出的量化问题。给出了一种在最大化信道输入和量化器输出之间的互信息的意义下找到最佳量化器的算法。这一结果适用于任意通道，与以前的结果限制通道或数量有限的量化器输出。在最坏的情况下，算法复杂度是通道输出$M$数量的三次$M^3$。使用Burshtein，Della Pietra，Kanevsky和Nádas的定理证明了分类和回归树的最小化平均杂质的映射的最优性。

2014-05-15cs.ITmath.IT

可重构智能表面辅助离散相移通信：需要多少Quantization级才能实现完全分集？

Reconfigurable Intelligent Surfaces Assisted Communications with Discrete Phase Shifts: How Many Quantization Levels are Required to Achieve Full Diversity?

由于硬件的限制，可重构智能表面（RIS）的反射元件的相移需要量化成离散值。这封信的目的是揭示所需的最小数量的相位量化电平$L$，以实现在RI辅助的无线通信系统的全分集阶。借助于中断概率的上界，我们首先证明了全分集阶数是可实现的，只要$L$不小于3。如果$L=2$，另一方面，我们证明，可实现的分集阶数不能超过$(N+1)/2$，其中$N$是反射元件的数量。这是获得的中断概率的下限的帮助下。因此，我们证明了$L$达到全分集阶数所需的最小值是$L=3$。仿真结果验证了理论分析和相位量化电平对RIS辅助通信系统的影响。

2020-08-12cs.ITmath.IT

基于Quantization的协作频谱感知性能研究

On the Performance of Cooperative Spectrum Sensing under Quantization

在认知无线电中，协作频谱感知（CSS）是决定次级网络性能的关键。然而，还没有可行的方法，可以分析计算CSS的性能方面的多级量化。本文不仅给出了量化对协作虚警概率和协作检测概率的影响，而且给出了两个封闭形式的表达式。这两个表达式使得协作虚警概率和协作检测概率的计算变得简单易行，为感知性能的优化提供了一种可行的途径。此外，为了便于计算，我们推导出了正常的近似评估感测性能方便。此外，提出了两种优化方法，以实现量化下的高感测性能。

2013-03-14cs.ITmath.IT

更多相关论文收起更多论文

相对于Haar基优化的量化

Quantization optimized with respect to the Haar basis

本文提出了一种有限离散时间信号的数据量化方法，该方法优化了低频Haar系数的误差估计。我们还讨论了这种量化在傅立叶空间中的误差/噪声界。我们的结果表明，一个可以在低频率的任何离散时间模拟信号的高精度。我们的方法是确定性的，它不使用统计参数，也没有任何概率假设。

2021-01-09cs.ITeess.SPmath.IT

最小中断概率的甚低速率变长信道Quantization

Very Low-Rate Variable-Length Channel Quantization for Minimum Outage Probability

我们确定了一个实际的矢量量化器的设计问题，任何固定长度的量化器（FLQ）在任何有限的速率产生非零失真，而有一个可变长度的量化器（VLQ），可以实现零失真与任意低的速率。这个问题出现在一个$t \times 1$多天线衰落信道中，我们希望通过在发射机（CSIT）处量化信道状态信息来采用波束成形来最小化信道中断概率。众所周知，在这种情况下，有限速率FLQ不能实现全CSIT（零失真）中断性能。我们构建VLQ，可以实现有限速率的全CSIT性能。特别是，与$P$表示发射机的功率约束，我们表明，必要和充分的VLQ率，保证全CSIT性能是$Θ(1/P)$。我们还讨论了这一结果的几个扩展（例如预编码）。

2012-10-31cs.ITmath.IT

可重构智能表面辅助通信系统的离散相移量化相位对准

Quantized Phase Alignment by Discrete Phase Shifts for Reconfigurable Intelligent Surface-Assisted Communication Systems

可重构智能表面（RIS）是近年来研究的热点。在本文中，我们研究的联合相位对准和相位量化的离散相移设计的RIS辅助单输入单输出（SISO）系统。首先，分别揭示了远场和近场的相位分布现象，为RIS相移的离散化奠定了基础。然后，以相位对齐为目标，描述了相位分布规律及其自由度，作为相位量化策略的指导。在此基础上，提出了动态阈值相位量化（DTPQ）和等间隔相位量化（EIPQ）两种相位量化方法，以增强RIS的波束形成效果。DTPQ是能够计算的最佳离散相移与线性复杂度的单位细胞的数量在RIS上，而EIPQ是一个简化的方法，具有恒定的复杂度产生次优的解决方案。仿真结果表明，这两种方法都取得了显着改善的功率增益，稳定性和鲁棒性比传统的量化方法。首次揭示了RIS离散相移下的路径损耗（PL）缩放定律，利用DTPQ的最优性设计了RIS的相移。此外，在2.6 GHz和35 GHz进行的现场试验验证了所提出的方法在实际通信环境中的良好性能。

2023-03-23cs.ITeess.SPmath.IT

离散无记忆信道顺序确定性Quantization的动态规划

Dynamic Programming for Sequential Deterministic Quantization of Discrete Memoryless Channels

本文在一般代价函数$C$下，提出了一种动态规划（DP）方法来获得$q$ -元输入离散无记忆信道（DMC）的最优序列确定性量化器（SDQ）. DP方法具有复杂度$O(q (N-M)^2 M)$，其中$N$和$M$分别是DMC输出和量化器输出的字母表大小。然后，从四边形不等式出发，采用两种技术来降低DP方法的复杂度。一种技术利用Shor-Moran-Aggarwal-Wilber-Klawe（SMAWK）算法并实现复杂度$O(q (N-M) M)$。另一种技术更容易实现，并实现了复杂的$O(q (N^2 - M^2))$。我们进一步得到了一个充分条件下，最佳SDQ是最佳的所有量化器和这两种技术是适用的。这推广了文献中的二进制输入DMC的结果。其次，我们证明了$α$ -互信息（$α$-MI）最大化量化器的代价函数属于$C$范畴.我们进一步证明了在一个比我们导出的充分条件更弱的条件下，上述两种技术都适用于$α$ -MI最大化量化器的设计。最后，我们说明了我们的设计方法的具体应用，实际的脉冲幅度调制系统。

2021-02-24cs.ITmath.IT

Sierpinski地毯上非均匀分布的最优量化器

Optimal quantizers for a nonuniform distribution on a Sierpinski carpet

本文研究了R^2上支撑为Sierpiński地毯的非均匀概率测度P，探讨了所有n≥2时的n-均值最优集合和第n个量化误差。

2023-06-28cs.ITmath.IT

中继网络的近优quantization和线性网络编码

Near-optimal quantization and linear network coding for relay networks

我们介绍了一个离散网络对应于任何高斯无线网络，是通过简单地量化接收到的信号，并限制发送信号到一个有限的精度。由于离散网络中的信号是从高斯网络中的信号获得的，所以高斯网络可以在由离散网络定义的基于量化的数字接口上操作。我们证明了这种数字接口对于高斯中继网络是近最优的，并且高斯网络和离散网络的容量在O（M^2）比特的有界间隙内，其中M是节点数。我们证明，任何离散网络的近最佳编码策略可以自然地转换为高斯网络的近最佳编码策略，只需通过量化。我们利用这一点，通过设计一个线性编码策略的情况下，分层离散中继网络。线性编码策略对于高斯和离散网络是接近最优的，并且在O（M^2）比特的容量内实现速率，与信道增益或SNR无关。线性码是鲁棒的，并且中继不需要知道信道增益。在所有中继器处的发送和接收信号被简单地量化为相同长度的二进制元组$n$。线性网络码要求所有中继节点将接收到的二元元组收集到长二元向量中，并对长向量应用线性变换。所得到的二进制向量被分成更小的二进制元组以供中继传输。线性网络码的量化要求完全由参数$n$定义，该参数还确定用于在网络容量的有界间隙内操作网络的模数转换器和数模转换器的分辨率。线性网络码明确地将有线网络的网络编码与高斯网络的编码联系起来。

2012-03-11cs.ITcs.NImath.IT

离散移相器IRS辅助下的无线网络性能分析

Performance Analysis of Wireless Network Aided by Discrete-Phase-Shifter IRS

智能反射面（IRS）中的离散移相器会产生相位量化误差（QE），降低接收机的接收性能。为了分析相位量化误差对IRS性能的影响，基于大数定律，分别推导了视距（LoS）信道和瑞利（Rayleigh）信道下IRS的信噪比（SNR）、性能损失（PL）、可达速率（AR）和出错率（BER）的解析表达式。此外，基于泰勒级数展开，还给出了具有近似QE的IRS的PL的近似简单封闭形式。仿真结果表明，随着量化比特数的增加，SNR和AR性能损失逐渐减小，而随着IRS移相器单元数的增加，SNR和AR性能损失逐渐增大。无论是LoS信道还是Rayleigh信道，当量化比特数大于等于3时，信噪比和AR性能损失分别小于0.23dB和0.08bits/s/Hz，误码率性能下降很小。特别地，当量化比特的数目不小于2时，具有QE的IRS与具有近似QE的IRS之间的性能损失差异是可忽略的。

2022-04-13cs.ITeess.SPmath.IT