Entropy-Constrained Maximizing Mutual Information Quantization
本文研究了二进制输入离散无记忆信道的输出量化问题，即在输出量化熵受限的情况下，使输入与量化输出之间的互信息最大化.介绍了一种多项式时间算法，可以找到真正的全球最佳量化器。这些结果适用于具有任意数量的量化输出的二进制输入通道。最后，我们将这些结果扩展到二进制输入连续输出通道，并给出了一个充分条件，使得一个单一的阈值量化器是一个最佳的量化器。理论结果和数值结果证明我们的技术。
2020-01-07 cs.IT math.IT
Optimal quantizer structure for binary discrete input continuous output channels under an arbitrary quantized-output constraint
给定具有二进制输入X =（x_1，x_2）的信道，其具有被连续噪声破坏的概率分布p_X =（p_{x_1}，p_{x_2}），以产生连续输出y \in Y = R。对于给定的条件分布p（y| x_1）= x_1（y）和p（y| x_2）= x_2（y），则希望将连续输出y重新转换为最终离散输出Z =（z_1，z_2，.，z_N）与N个\leq 2，使得输入与量化输出I（X; Z）之间的互信息最大化，同时量化输出p_Z =（p_{z_1}，p_{z_2}，.，p_{z_N}）必须满足一定的约束。考虑一个新的变量r_y= p_{x_1} n_1（y）/（p_{x_1} n_1（y）+ p_{x_2} n_2（y）），我们证明了最优量化器在新的变量r_y中具有凸胞结构。基于最优量化器的凸胞性质，提出了一种多项式时间复杂度的全局最优量化器快速算法。
2020-01-10 cs.IT eess.SP math.IT
Robust Distributed Maximum Likelihood Estimation with Dependent Quantized Data
在本文中，我们考虑分布式最大似然估计（MLE）与相关的量化数据的假设下，联合概率密度函数（PDF）的结构是已知的，但它包含未知的确定性参数。参数可以包括对应于边际pdf的不同向量参数和描述跨传感器的观测的依赖性的参数。由于具有单个量化器的MLE由于pdf的不确定性而对阈值的选择敏感，因此我们专注于具有多组量化器的MLE（可以通过使用先验信息或一些启发式方法来确定）以抵御差/离群值量化器的风险。在一定的正则性条件下证明了多量化器MLE方案的渐近有效性，并推导出渐近方差是基于多个不同量化器的Fisher信息矩阵的加权线性组合的逆，从而证明了该方法的鲁棒性.作为一个说明性的例子，我们考虑一个估计问题的二元非高斯pdf的分布式恒虚警率（CFAR）检测系统中的应用程序。仿真结果表明，特别是当量化测量的数量是小的建议MLE计划的鲁棒性。
2013-09-14 cs.IT math.IT
Signal Amplitude Estimation and Detection from Unlabeled Binary Quantized Samples
在时间索引阶数完全未知的情况下，研究了未标记量化二进制样本的信号幅度估计和检测问题。首先，最大似然（ML）估计器被用来估计任意的，但已知的信号形状和量化器阈值下的置换矩阵和未知的信号幅度。给出了在多项式时间内求ML估计的充分条件，并提出了一种交替最大化算法，通过良好的初始估计来解决一般问题.此外，还研究了模型的统计可辨识性。此外，采用广义似然比检验（GLRT）检测器来检测信号的存在性。此外，一个准确的近似置换矩阵的成功恢复的概率，并提供明确的表达式，以揭示信号样本的数量和数量的量化器之间的关系。最后，通过数值模拟验证了理论分析的正确性.
2018-03-08 cs.IT math.IT
Is Phase Shift Keying Optimal for Channels with Phase-Quantized Output?
本文建立了相位量化输出加性高斯白噪声（AWGN）信道的容量。我们表明，旋转的$2^b$相移键控方案是容量实现的输入分布与$b$位相位量化的复杂AWGN信道。然后使用该结果来建立作为平均功率约束$P$和量化比特$b$的函数的信道容量的表达式。在瑞利衰落的情况下，当信道状态信息（CSI）仅在接收端已知时，研究了相位量化系统的中断性能。我们的研究结果表明，存在一个阈值的速率$R$，超过该中断指数的中断概率突然改变。事实上，中断指数中的这种阈值效应导致$2^b$ -PSK在高SNR下具有次优中断性能。
2021-05-05 cs.IT eess.SP math.IT
Error Decay of (almost) Consistent Signal Estimations from Quantized Gaussian Random Projections
本文提供了新的误差界的“一致”的重建方法从量化随机投影观察到的信号。这些信号估计技术保证了可用的量化数据与相同感测模型下的估计信号的新观测之间的完美匹配。针对分辨率$δ>0$的抖动均匀标量量化问题，首先证明了在给定具有$M$矢量的$\mathbb R^N$的高斯随机标架下，对于单位球$\mathbb B^N \subset \mathbb R^N$的所有信号，一致信号重构的最坏情况$\ell_2$误差以高概率均匀衰减为$O(\frac{N}{M}\log\frac{M}{\sqrt N})$.直至对数因子，这与$Ω(N/M)$中的已知下限和$O(N/M)$中的先前经验验证相匹配。等价地，如果$M$超过像$O(\frac{N}{ε_0}\log \frac{\sqrt N}{ε_0})$那样增长的帧系数的最小数目，则具有$M$相同量化投影的$\mathbb B^N$中的任何向量以高概率至多隔开$ε_0$。其次，在具有$M$高斯随机测量的量化压缩感知的上下文中并且在相同标量量化方案下，$\mathbb R^N$的$K$稀疏信号的一致重建具有最坏情况误差，该最坏情况误差对于所有这样的信号以高概率均匀地减小为$O(\tfrac{K}{M}\log\tfrac{MN}{\sqrt K^3})$。最后，我们证明了其量化的随机投影仅近似一致的向量的邻近仍然可以以高概率有界。因此，在量化过程中允许…
2016-04-20 cs.IT math.IT
Cascaded Channel Estimation for IRS-assisted Mmwave Multi-antenna with Quantized Beamforming
在这封信中，我们优化的级联信道的信道估计器在智能反射面（IRS）辅助毫米波（mmWave）多天线系统。在该系统中，接收端采用了量化波束形成的混合结构。与传统的多输入多输出（MIMO）系统不同，由于IRS通常是一个无源阵列，信号处理能力有限，因此信道估计的设计具有挑战性。我们推导出优化的信道估计器在一个封闭的形式重新制定的级联信道估计在这个系统中的问题，利用典型的均方误差（MSE）标准。考虑到毫米波信道中可能存在的信道稀疏性，我们通过利用信道稀疏性进一步提高性能和降低计算复杂性来推广所提出的方法。仿真结果表明，所提出的估计器显着优于现有的。
2020-10-02 cs.IT eess.SP math.IT
Performance Analysis of Signal Detection using Quantized Received Signals of Linear Vector Channel
本文分析了在大系统极限下，线性矢量信道（CDMA或MIMO信道的扩展）中，利用量化接收信号的最优信号检测性能。这里，通道输入和输出的维度都被发送到无穷大，而它们的比率保持固定。最佳检测器是使用真实信道模型、输入信号的真实分布和关于量化的完美知识的检测器。应用统计力学中的副本方法，我们证明了，在无噪声信道的情况下，最佳检测器在一定条件下具有完美的检测能力，而对于有噪声信道，其检测能力随着量化步长的增加而单调下降。
2008-05-22 cs.IT math.IT
Adaptive Quantizers for Estimation
本文研究了基于噪声量化观测值的自适应估计问题。提出了一种低复杂度的自适应算法，该算法使用一个输入增益和偏移可调的量化器。三种可能的标量模型的参数估计被认为是：常数，维纳过程和维纳过程的确定性漂移。后示出的算法是渐近无偏的估计常数，它示出，在三种情况下，渐近均方误差取决于量化测量的Fisher信息。它还表明，由于量化的性能损失近似取决于量化和连续测量的Fisher信息的比率。最后，在两类噪声（广义高斯噪声和Student's t噪声）下，通过仿真验证了理论结果。
2012-10-12 cs.IT math.IT
Enhancing Channel Estimation in Quantized Systems with a Generative Prior
School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
本文提出利用高斯混合模型作为生成先验，结合EM算法增强一比特量化系统中的信道估计，并通过MAP推断提供辅助信息，显著优于现有方法。
2024-04-26 cs.IT cs.LG eess.SP
The Kalman Like Particle Filter : Optimal Estimation With Quantized Innovations/Measurements
我们研究了线性系统的最优估计和控制问题，使用量化测量，重点是传感器网络的应用。我们表明，状态条件下的因果量化的测量可以表示为高斯随机向量和一定的截断高斯向量的总和。这种结构与全信息卡尔曼滤波器非常相似，因此允许我们有效地将卡尔曼结构与粒子滤波器相结合，以递归地计算状态估计。我们称由此产生的滤波器的卡尔曼粒子滤波器（KLPF），并观察到，它提供了接近最佳的性能，使用少得多的粒子比直接应用于原始问题的粒子滤波器。我们表明，条件态密度遵循一个，所谓的，广义闭偏态（GCSN）分布。我们进一步表明，对于这样的系统的经典分离性质之间的控制和估计举行，确定性等价的控制律是LQG最优的。
2011-01-05 cs.IT math.IT math.OC
Joint Channel-and-Data Estimation for Large-MIMO Systems with Low-Precision ADCs
使用低精度（例如，1-3在非常大的多输入多输出（MIMO）系统中的10位）模数转换器（ADC）是一种降低成本和功耗的技术。然而，在该上下文中，已经示出了仅为了在接收机处获得可接受的信道状态信息（CSI），训练持续时间需要是{ \em非常大}。量化MIMO系统的一个可能的解决方案是联合信道和数据（JCD）估计。本文首先发展了一个分析框架，用于研究使用JCD估计的量化MIMO系统。特别是，我们使用贝叶斯最优推理的JCD估计和实现这种估计利用最近的技术的基础上近似消息传递。基于大系统分析的副本方法，然后通过推导的JCD估计的渐近性能。仿真结果证实了我们的理论研究结果，并揭示了JCD估计器可以提供一个显着的增益比传统的导频在量化MIMO系统中的唯一方案。
2015-01-22 cs.IT math.IT
On the Equivalence of Maximum SNR and MMSE Estimation: Applications to Additive Non-Gaussian Channels and Quantized Observations
最小均方误差（MMSE）是贝叶斯估计最常用的准则之一。相反，信噪比（SNR）是通信、雷达和一般检测理论中的典型性能标准。在本文中，我们首先形式化的SNR准则设计的估计，然后我们证明存在一个等价的MMSE和最大信噪比估计，任何统计量。我们还将这种等价性扩展到特定类的次优估计，这是表示的基础扩展模型（BEM）。然后，通过利用一个正交的BEM的估计，我们推导出的MMSE估计约束到一个给定的量化分辨率的噪声观测，我们证明，这种次优MMSE估计往往是最佳的MMSE估计，使用一个无限的分辨率的观察。此外，我们推导出封闭形式的表达式的均方误差（MSE）和SNR的建议的次优估计，我们表明，这些表达式构成紧密的，渐近精确的，最佳MMSE和最大SNR的界限。
2016-05-19 cs.IT math.IT
Linear and Nonlinear MMSE Estimation in One-Bit Quantized Systems under a Gaussian Mixture Prior
本文针对一位量化系统中高斯混合先验信号，推导了Bussgang线性MMSE估计器和条件均值估计器的闭式表达式，证明最优估计器在一位量化观测下是线性的，并建立了新的MSE不等式，同时将分析扩展到多观测场景并给出渐近结果。
2024-07-01 cs.IT eess.SP math.IT
Capacity Analysis of One-Bit Quantized MIMO Systems with Transmitter Channel State Information
随着新兴无线系统中带宽达到千兆赫量级，高分辨率模数转换器（ADC）成为功耗瓶颈。一种解决方案是采用低分辨率1位ADC。在本文中，我们分析了平坦衰落多输入多输出（MIMO）信道与一位ADC。假设信道状态信息在发射机和接收机处都是已知的。对于多输入单输出信道，我们推导了精确的信道容量。对于单输入多输出MIMO信道，得到了无限信噪比下的容量，并给出了有限信噪比下的容量上界，当信道满秩时，该上界是紧的。此外，我们提出了一种有效的方法来设计输入符号以接近容量实现解决方案。我们将毫米波信道特性，并找到无限的SNR容量的界限。结果显示了路径的数量和接收天线的数量如何影响容量。
2015-11-06 cs.IT math.IT
Message-Passing Estimation from Quantized Samples
从量化的线性测量中估计向量是一个常见的问题，对于这个问题，简单的线性技术是次优的--有时是非常次优的。本文开发了广义近似消息传递（GAMP）算法的最小均方误差估计的随机向量从量化的线性测量，特别是允许的线性扩展是过完备或欠完备和标量量化是定期或非定期。GAMP是最近开发的一类算法，它在置信度传播中使用高斯近似，并允许任意可分离的输入和输出通道。标量量化的测量被纳入到输出通道的形式主义，导致第一个听话的和有效的方法，高维估计问题，涉及非常规标量量化。非规则量化的经验证明，大大提高率失真性能在一些问题与过采样或欠采样结合稀疏诱导先验。在假设具有独立同分布的高斯测量矩阵的情况下条目，GAMP的渐近误差性能可以准确地预测和跟踪通过状态演化形式主义。我们还使用状态进化来设计用于GAMP信号重建的均方误差最佳标量量化器，并通过经验证明了所得量化器的优越误差性能。
2011-11-20 cs.IT math.IT math.ST
Compressed and quantized correlation estimators
在使用传感器网络的被动监测中，低能量供应极大地限制了传感器的计算和通信能力。在这种情况下，考虑到这些约束条件的传感器级设计处理算法是一个重要的问题。在这里，我们研究的传感器之间的相关函数的估计，使用压缩采集和一位量化。该估计直接使用压缩样本来实现，而不考虑信号的任何重构。我们表明，如果感兴趣的信号是远离白噪声，使用$M$压缩样本的相关性估计出的$N\geq M$可以更有利的相关性估计使用$M$连续样本。分析包括研究在一个固定的压缩率的估计的渐近性能。我们提供的分析时，压缩是由一个随机的投影矩阵组成的独立和同分布的条目。该框架包括广泛使用的随机投影矩阵，如高斯和伯努利矩阵，它还包括非常稀疏的矩阵。但是，它不包括不替换的二次抽样，对此提供了单独的分析。当也考虑一比特量化时，理论分析不容易处理。然而，经验证据允许的结论是，在实际情况下，压缩和量化的估计量的行为足够正确，是有用的，例如，时间延迟估计和模型估计。
2015-11-20 cs.IT math.IT stat.AP
Approximate Message Passing with Parameter Estimation for Heavily Quantized Measurements
设计有效的稀疏恢复算法，可以处理噪声量化测量是很重要的各种应用-从雷达到源定位，频谱传感和无线网络。我们利用近似消息传递（AMP）框架来实现这一目标，因为它具有高计算效率和最先进的性能。在AMP中，假设感兴趣的信号遵循具有未知参数的某种先验分布。以前的工作集中在通过期望最大化来寻找最大化测量可能性的参数-在涉及复杂概率模型的情况下，这是一个越来越难以解决的问题。在本文中，我们处理的参数作为未知变量，并计算其后验通过AMP。然后，可以联合恢复感兴趣的参数和信号。与以前的方法相比，所提出的方法导致一个简单而优雅的参数估计方案，允许我们直接与1位量化噪声模型。然后，我们进一步扩展我们的方法，一般的多比特量化噪声模型。实验结果表明，所提出的框架提供了显着的改进，在国家的最先进的方法在广泛的稀疏性和噪声水平。
2022-05-20 cs.IT eess.SP math.IT
Modulation Diversity in Fading Channels with Quantized Receiver
在本文中，我们解决的设计代码，实现调制分集在块衰落单输入单输出（SISO）信道的信号量化在接收端和低复杂度的解码。对于未量化的接收机，已知基于代数旋转的编码可以实现调制编码分集。另一方面，对于量化接收机，代数旋转可能无法保证分集。通过分析，我们提出了具体的旋转，导致码字具有等距分量投影。我们表明，该编码方案实现了最大的调制分集与低复杂度的最小距离解码器和完善的信道知识。放松完美的信道知识的假设，我们提出了一种新的训练/估计和接收机控制技术来估计信道。我们表明，我们的编码/训练/估计方案和最小距离解码实现的错误概率性能与完美的信道知识。
2011-04-06 cs.IT math.IT
Quantized Constant Envelope Precoding with PSK and QAM Signaling
粗量化的大规模多输入多输出（MIMO）系统由于其功率效率而受到越来越多的关注。提出了一种新的预编码技术，以减轻多用户干扰（MUI）和量化失真的下行链路多用户（MU）MIMO系统与粗量化恒包络（QCE）信号在发送端。考虑到QCE约束，针对每个期望的接收矢量优化发射信号矢量。该优化是基于最大化的安全裕度的接收机星座调制的决策阈值。仿真结果表明，与现有的线性预编码技术相比，在未编码的误码率（BER）方面有显着的增益。
2018-01-29 cs.IT math.IT
Timely Estimation Using Coded Quantized Samples
量化和编码的高斯-马尔可夫，即奥恩斯坦-乌伦贝克，过程的估计质量的影响被认为是。从该过程中获取样本，对其进行量化，然后使用无限增量冗余或固定冗余编码方案进行编码以供传输。在接收机处消耗固定的处理时间用于解码和向发射机发送反馈。解码的消息被用来构建一个最小均方误差（MMSE）估计的过程作为时间的函数。这被证明是一个越来越多的功能的年龄的信息，定义为时间流逝，因为采样时间有关的最新成功解码的消息。这种（年龄惩罚）函数取决于量化比特、码字长度和接收机处理时间。对于每个编码方案，目标是优化采样时间，使得长期平均MMSE最小化。然后，这是其特征在于设置一般增加的年龄惩罚泛函，不一定对应于MMSE，这可能是独立的利益在其他情况下。
2020-04-27 cs.IT cs.NI eess.SP
Deconvolution of linear systems with quantized input: an information theoretic viewpoint
尽管有大量的文献反卷积问题，很少做的混合环境中的信号被量化。在本文中，我们进行了一个信息论的方法来解卷积问题的一个简单的积分量化的二进制输入和采样噪声输出。我们把它转换成一个解码问题，我们提出并分析（理论和数值）一些低复杂度的在线算法来实现反卷积。
2010-10-15 cs.IT math.DS math.IT
Achievable Rate Region of Quantized Broadcast and MAC Channels
本文研究了高斯多用户信道的可达速率域，其中发送的消息来自有限输入字母表，输出在接收端量化为{ \em}。特别是，我们专注于$i)$高斯广播信道（GBC）和$ii)$高斯多址接入信道（GMAC）的可达速率区域。首先，我们研究了两个用户GBC的可达速率区域时，要发送到两个用户的消息从有限的信号集的值和接收到的信号在两个用户进行量化。我们将该信道称为{ \em量化广播信道（QBC）}。我们观察到，为GBC定义的容量区域不会像这样结转到QBC。我们证明了GBC的最佳解码方案（即，高SNR用户进行连续解码和低SNR用户单独解码其消息）对于QBC不是最优。然后，我们提出了一个可实现的速率区域QBC基于两种不同的计划。我们提出了可实现的速率区域结果的情况下，在接收机的均匀量化。接下来，我们研究了有限输入字母表和量化接收机输出的两用户GMAC的可达速率区域。我们将该信道称为{ \em量化多址信道（QMAC）}。我们推导出表达式的两个用户QMAC的可实现的速率区域。我们表明，有限的输入字母，可实现的速率区域与常用的均匀接收器量化器相比，没有接收器量化的可实现的速率区域有一个显着的损失。我们提出了一个{ \em非均匀量化器}，它有一个显着更大的速率区域相比，在QMAC的均匀量化器实现。
2011-02-14 cs.IT math.IT
Matrix Completion from Quantized Samples via Generalized Sparse Bayesian Learning
从噪声低精度量化样本的子集中恢复低秩矩阵出现在几个应用中，例如协同滤波、智能推荐和使用几位ADC的毫米波信道估计。提出了一种结合期望传播（EP）的广义稀疏贝叶斯学习（Gr-SBL）方法来解决矩阵完备化（MC）问题，称之为MC-Gr-SBL。MC-Gr-SBL自动估计秩、因子及其协方差矩阵以及噪声方差。此外，本文还提出了MC-Gr-SBL算法，并将其与MUSIC算法相结合，解决了二维的【形状】谱估计问题。最后，大量的数值实验验证了所提出的算法的有效性。
2019-11-22 cs.IT eess.SP math.IT
Functional Forms of Optimum Spoofing Attacks for Vector Parameter Estimation in Quantized Sensor Networks
从量化的传感器数据的未知的确定性向量的估计被认为是在欺骗攻击的存在下，改变了数据呈现给几个传感器。与以前的工作相反，一个广义的攻击模型，使用任意函数形式的一些攻击参数，其值是未知的被攻击系统确定的变换来操纵数据。对于第一次，必要和充分的条件下，提供的转换提供了一个有保证的攻击性能的Cramer-Rao界（CRB），无论处理的估计系统采用，从而定义了一个非常可取的攻击。有趣的是，这些条件意味着，对于任何这样的攻击时，被攻击的传感器可以完全识别的估计系统，无论是费舍尔信息矩阵（CRB）联合估计所需的和攻击的参数是奇异的，或攻击的系统是无法提高CRB所需的向量参数通过这种联合估计，即使联合CRB是非奇异的。它表明，它总是可以构建这样一个非常理想的攻击适当采用足够大的维度攻击矢量参数相对于所采用的量化级别的数量，这是以前没有观察到的。为了具体说明该理论，我们还提供了一些数值结果，证实了在高度期望的攻击下，受攻击的数据是没有用的减少CRB。
2016-06-01 cs.CR cs.IT math.IT
On Optimal MMSE Channel Estimation for One-Bit Quantized MIMO Systems
本文针对单比特量化MIMO系统，提出基于正交概率计算MMSE信道估计器的新框架，并给出BLMMSE估计器最优的充要条件，推导大维度下的解析表达式以比较两者性能。
2025-01-22 cs.IT eess.SP math.IT
Consistent Basis Pursuit for Signal and Matrix Estimates in Quantized Compressed Sensing
研究了低复杂度信号在$M$均匀量化压缩观测下的估计问题。在这些信号中，我们考虑1-D稀疏向量，低秩矩阵，或可压缩信号，以及这两个模型之一近似。在这种情况下，我们证明了估计效率的一个变种的基础上追求去噪，称为一致的基础上追求（CoBP），执行的意见和重新观察估计之间的一致性，同时促进其低复杂性的性质。我们表明，CoBP的重建误差衰减像$M^{-1/4}$当所有参数，但$M$是固定的。我们的证明是连接到最近的边界上的向量或矩阵的接近度时，（i）这些属于一组小的内在的“尺寸”，作为测量的高斯平均宽度，（ii）他们共享相同的量化（抖动）随机投影。通过用近似算法求解CoBP，我们提供了一些广泛的数值观测，证实了随着$M$的增加，误差衰减比预测的更快。在1位CS的特殊但重要的情况下也观察到相同的现象。
2015-10-09 cs.IT math.IT
Quantized RIS-aided mmWave Massive MIMO Channel Estimation with Uniform Planar Arrays
本文针对配备少比特ADC和均匀平面阵列的RIS辅助毫米波大规模MIMO系统，提出基于贝叶斯推断与VAMP算法的量化压缩感知级联信道估计方法，并利用FFT加速计算，验证了其在低信噪比下的实用性和准确性。
2024-01-15 cs.IT eess.SP math.IT
Efficient Equalization Method for Cyclic Prefix-Free Coarsely Quantized Massive MIMO Systems
低分辨率模数转换器（ADC）的使用可以显著降低大规模多输入多输出（MIMO）系统的功耗。量化的大规模MIMO系统的现有文献处理循环前缀（CP）传输方案在频率选择性衰落信道。在本文中，我们提出了一个块处理频域均衡（FDE）技术在无CP传输方案的大规模MIMO系统具有低分辨率ADC。通过最小化计算复杂性代价函数并考虑量化失真、信道冲激响应以及发射天线和接收天线的数量，找到了FDE的最佳块长度。通过数值模拟，最佳的块长度也保证了良好的性能方面的均方误差（MSE）和误码率（BER）的标准。
2018-04-24 cs.IT math.IT
Study of Joint Automatic Gain Control and MMSE Receiver Design Techniques for Quantized Multiuser Multiple-Antenna Systems
针对多用户多输入多输出（MU-MIMO）系统中的粗量化信号，提出了一种联合优化自动增益控制（AGC）算法和线性\textit{minimum mean square error}（MMSE）接收机的方法。AGC的优化是基于最小化的\textit{mean square error}（MSE）和建议的接收滤波器考虑到AGC的存在和量化的影响。此外，我们提供了一个下界的MU-MIMO系统的容量推导出的可实现的速率的表达式。通过仿真对所提出的低分辨率MMSE（LRA-MMSE）接收机和AGC算法的性能进行了评估，并与传统MMSE接收滤波器和采用2、3、4和5比特量化分辨率的迫零（ZF）接收机进行了比较。
2018-10-27 cs.IT math.IT
Optimal Asymmetric Binary Quantization for Estimation Under Symmetrically Distributed Noise
在这封信中考虑了基于噪声和二进制量化测量的位置参数估计。我们研究了不同对称单峰噪声分布的Cramer-Rao界作为量化器阈值的函数的行为。我们表明，在某些情况下，直观的选择阈值位置的对称性的问题，把阈值的真实参数值，可以导致局部最差的估计性能。
2013-10-25 cs.IT math.IT
Plug-in Channel Estimation with Dithered Quantized Signals in Spatially Non-Stationary Massive MIMO Systems
针对空间非平稳大规模 MIMO 的一比特量化接收，本文提出带抖动的插入式 BLMMSE 信道估计、协方差失真分析、角域非负最小二乘拟合及 BLMMSE 接收机，性能逼近理想协方差方案。
2024-01-24 cs.IT eess.SP math.IT
Efficient Non-linear Equalization for 1-bit Quantized Cyclic Prefix-Free Massive MIMO Systems
针对大规模多输入多输出（MIMO）基站，利用1位模数转换器（ADC）量化上行信号的数据检测问题。量化的大规模MIMO系统的现有文献处理循环前缀（CP）传输频率选择性信道。在本文中，我们提出了一个计算效率的块处理均衡器的基础上的期望最大化（EM）算法在CP免费传输的1比特量化系统。我们研究的最佳块长度和重叠因子的信道脉冲响应（CIR）长度的基础上的比特错误率（BER）性能指标。由于EM是一种非线性算法，最优估计是根据算法的初始起始点迭代地找到的。通过数值模拟，我们表明，初始化的EM算法与维纳滤波器（WF）的估计，这需要考虑到潜在的量化，实现优越的BER性能相比，与其他起始点的初始化。
2018-06-28 cs.IT math.IT
Quantized Massive MU-MIMO-OFDM Uplink
在大规模多用户（MU）多输入多输出（MIMO）无线系统的基站（BS）处的粗量化承诺显著的功率和成本节省。粗量化还能够显著减少必须从空间分离的天线阵列传送到基带处理单元的原始模数转换器（ADC）数据。已经广泛地研究了在频率平坦的窄带信道上操作的这种量化MU-MIMO系统的理论限制以及实际收发器算法。然而，这种通信系统在频率选择性宽带信道上操作的实际相关场景还不太清楚。研究了采用正交频分复用（OFDM）技术的量化大规模MU-MIMO系统的上行链路性能。我们提出了新的量化最大后验（MAP）信道估计和数据检测算法，我们研究了相关的性能/量化权衡。我们的结果表明，粗量化（例如，取决于BS天线的数量和用户数量之间的比率，4到6比特），与无限精度的情况相比，在基带处理复杂度方面没有额外成本的情况下，实际上不需要性能损失。
2016-04-20 cs.IT math.IT
Adaptive Learning-Based Detection for One-Bit Quantized Massive MIMO Systems
我们提出了一个自适应学习为基础的框架，上行链路大规模多输入多输出（MIMO）系统与一位模数转换器。基于学习的检测不需要估计信道，这克服了一比特量化系统的一个关键缺点。在训练过程中，基于学习的检测在高信噪比（SNR）下会受到影响，因为观测值会偏向+1或-1，这导致许多零值经验似然函数。在低SNR下，观测值经常变化，但高噪声功率使捕获信道的影响变得困难。为了解决这些缺点，我们提出了一种自适应抖动和学习方法。在训练期间，接收值与抖动噪声混合，抖动噪声的统计数据对于基站是已知的，并且抖动噪声功率对于每个天线元件根据观察到的输出模式来更新。然后，我们在一位最大似然检测规则中使用细化的概率。仿真结果验证了所提出的方法与我们以前的方法使用固定的抖动噪声功率以及迫零和最佳ML检测，这两个假设完美的信道知识的检测性能。
2022-11-13 cs.IT eess.SP math.IT
Robust Precoding Design for Coarsely Quantized MU-MIMO Under Channel Uncertainties
近来，具有低分辨率数模转换器（DAC）的多用户多输入多输出（MU-MIMO）系统由于能够显著降低硬件成本而受到相当大的关注。此外，它已被证明，使用低分辨率DAC，使功耗大大减少，同时保持在可接受的余量内的性能损失，假设的完美知识的信道状态信息（CSI）。在本文中，我们研究的预编码问题的粗量化MU-MIMO系统没有这样的假设。信道不确定性被建模为具有有限二阶统计量的随机矩阵。通过利用多位DAC输出和单位DAC输出之间的有利关系，我们首先将原始复杂的预编码问题转化为非凸二进制优化问题。然后，利用S-过程引理，将非凸问题转化为一个具有凸约束的简单形式，最后用半定松弛（SDR）方法求解。与现有的代表性方法相比，所提出的预编码器对各种信道不确定性是鲁棒的，并且能够支持具有更高阶调制的MUMM 0系统，例如，16QAM。
2019-05-14 cs.IT eess.SP math.IT
Training for Channel Estimation in Nonlinear Multi-Antenna Transceivers
最近在无线系统中获得高数据率的努力集中在具有非线性或粗略量化的收发器架构的系统中可以实现的。在这样的系统中估计信道是具有挑战性的，因为非线性使信道估计过程失真。因此，感兴趣的是确定需要多少训练来足够好地估计信道，使得信道估计可以在数据通信期间使用。我们提供了一种方法来确定需要多少训练，推导出一个下限的可实现的速率在一个基于训练的计划，可以计算和分析，即使当天线的数量是非常大的。该下限可能很紧，特别是在高SNR时。一个结论是，训练符号的最佳数量可能矛盾地小于具有粗量化收发器的系统的发射器的数量。我们展示了训练时间如何强烈依赖于接收器的数量，并给出了一个例子，其中接收器的数量增加一倍，训练时间减少了约37%。
2019-12-14 cs.IT math.IT
Quantizing Heavy-tailed Data in Statistical Estimation: (Near) Minimax Rates, Covariate Quantization, and Uniform Recovery
本文提出截断与抖动预处理结合均匀量化的方案，证明在协方差估计、压缩感知和矩阵补全中可实现近极小极大误差速率，并针对协变量量化下的非凸恢复及重尾噪声建立近最优一致恢复保证。
2023-07-26 cs.IT math.IT math.ST
Reliability of universal decoding based on vector-quantized codewords
出于生物识别和内容识别系统的应用，我们考虑的问题，随机编码的通道，其中每个码字进行有损压缩（矢量量化），解码器的基础上，其决定只对压缩的码字和信道输出，这又是一个原始码字的传输，在压缩之前，信道的响应。对于有限字母表的无记忆信源和无记忆信道，我们提出了一种新的通用解码器，并分析了其误差指数，这改进了Dasarathy和Draper（2011）的早期结果，他们使用经典的最大互信息（MMI）通用解码器。此外，我们表明，我们的通用解码器提供了相同的错误指数的最佳，最大似然（ML）解码器，至少只要所有的单字母的通道的转移概率是积极的。我们猜想，即使没有这个积极性条件，同样的论证也是正确的。
2016-09-28 cs.IT math.IT
Analog Versus Hybrid Precoding for Multiuser Massive MIMO with Quantized CSI Feedback
在这封信中，我们研究了下行链路多用户大规模多输入多输出（MIMO）系统的子连接结构在有限的反馈信道的性能。理论上分析了纯模拟预编码和混合预编码系统的紧速率近似。量化的模拟和数字预编码的效果，其特征在于在派生的表达式。此外，它揭示了纯模拟预编码优于混合预编码使用最大比传输（MRT）或迫零（ZF）在一定的条件下，我们在理论上描述的条件在封闭形式的信噪比（SNR），用户数和反馈比特数。数值结果验证了瑞利信道和毫米波信道的推导结论。
2020-06-01 cs.IT eess.SP math.IT
Sparse Channel Estimation for Massive MIMO with 1-bit Feedback per Dimension
在大规模多输入多输出（MIMO）系统中，在发射端获取信道状态信息（CSIT）是至关重要的。针对频分复用（FDD）大规模MIMO系统，提出了一种实用的CSIT估计方法。具体地，每个接收的导频符号首先在接收器侧被量化为每维一个比特，然后量化的比特被反馈到发射器。在发射端采用联合一比特压缩感知算法来恢复信道矩阵。该算法利用用户信道矩阵中隐藏的联合稀疏结构来最小化训练和反馈开销，这被认为是FDD系统的主要挑战。此外，一比特压缩感知算法准确地恢复信道方向的波束形成。一比特反馈机制可以在使用上行链路控制信道的实际系统中实现。仿真结果表明，该方案几乎达到最大输出信噪比的波束形成的基础上估计CSIT。
2016-10-11 cs.IT cs.NI math.IT
Quantized Spectral Compressed Sensing: Cramer-Rao Bounds and Recovery Algorithms
宽带频谱的有效估计对于认知无线电等应用具有重要意义。最近，已经提出了基于压缩感知的亚奈奎斯特采样方案，以大大降低采样率。然而，量化的重要问题尚未得到充分解决，特别是对于高分辨率的频谱和参数估计。在本文中，我们的目标是恢复频谱稀疏信号和相应的参数，如频率和幅度，从沉重的量化的噪声复值随机线性测量，例如只有象限信息。我们首先描述了高斯噪声下的Cramer-Rao界，它突出了在固定比特预算的情况下，不同信噪比下样本复杂度和比特深度之间的权衡。接下来，我们提出了一种新的算法的基础上原子范数软阈值信号恢复，这是相当于适当设计的替代信号的原子范数，激励频谱稀疏的近端映射。该算法既适用于单测量矢量的情况，也适用于多测量矢量的情况。结果表明，在高斯测量模型下，当量化测量数超过K log n阶时，谱信号可以以高概率精确重构，其中K为谱稀疏度，$n$为信号维数.最后，数值模拟提供了验证所提出的方法。
2018-04-06 cs.IT eess.SP math.IT
Quasi-Newton FDE in One-Bit Pseudo-Randomly Quantized Massive MIMO-OFDM Systems
针对一位伪随机量化大规模MIMO-OFDM系统，提出基于牛顿法的低复杂度准牛顿频域均衡方案，以减轻量化失真并支持高阶调制，性能优于基准检测器。
2023-12-23 cs.IT eess.SP math.IT
Soft-Output Joint Channel Estimation and Data Detection using Deep Unfolding
针对多用户多输入多输出（MIMO）无线通信系统，提出了一种新的软输出联合信道估计和数据检测（JED）算法。我们的算法近似地解决了一个最大后验JED优化问题，使用深度展开，并在每次迭代中为传输的比特生成软输出信息。展开算法的参数由用二进制交叉熵（BCE）损失训练的超网络计算。我们评估我们的算法在编码MU-MIMO系统中的8个基站天线和4个用户设备的性能，并比较它的国家的最先进的算法分离的软输出数据检测的信道估计。我们的结果表明，我们的JED算法优于这样的数据检测器，只需10次迭代。
2021-12-01 cs.IT eess.SP math.IT
Performance Analysis of Quantized Uplink Massive MIMO-OFDM With Oversampling Under Adjacent Channel Interference
大规模多输入多输出（MIMO）系统由于其相对于单天线系统的诸多优点，近年来引起了人们的广泛关注。由于许多天线，期望每个天线的低成本实现和低功耗。为此，在许多研究中已经研究了具有低分辨率模数转换器（ADC）的大规模MIMO结构。然而，在量化的大规模MIMO系统的相邻频带上的强干扰的影响还没有被检查。在这项研究中，我们分析了上行链路大规模MIMO的性能与低分辨率ADC下的频率选择性衰落与正交频分复用在完美和不完美的接收机信道状态信息的情况下。我们推导出的比特出错率和遍历容量的解析表达式。我们表明，干扰频带可以抑制通过增加天线的数量或过采样率时，采用迫零接收机。
2020-02-18 cs.IT eess.SP math.IT
Reinforcement Learning Based Goodput Maximization with Quantized Feedback in URLLC
KTH Royal Institute of Technology（瑞典皇家理工学院）；Hitachi Energy（日立能源）
本文提出基于强化学习的量化反馈方案，结合Rician-K因子估计，在URLLC动态信道条件下最大化有效吞吐量，提升系统性能。
2025-01-19 cs.IT cs.LG eess.SP
Diversity Order Analysis for Quantized Constant Envelope Transmission
量化恒定包络（QCE）传输是一种流行且有效的技术，用于降低配备大型天线阵列的5G及以后系统的硬件成本并提高功率效率。已经广泛观察到，量化级别的数量对系统性能具有实质性影响。本文的目的是量化的量化级别的数量对系统性能的影响。具体来说，我们考虑了下行链路单用户多输入单输出（MISO）系统与M相移键控（PSK）星座下的瑞利衰落信道。我们首先推导出一个新的系统符号错误概率（SEP）的界限。基于推导出的SEP界，我们描述了量化匹配滤波器（MF）预编码策略的可实现的分集阶数。我们的结果表明，当量化级别的数量L大于PSK星座阶数M时，可以实现全分集阶数，即，L>M，当L=M时仅可实现半分集阶数，并且当L<M时可实现的分集阶数为0。仿真结果验证了我们的理论分析。
2023-01-11 cs.IT eess.SP math.IT
On learning parametric distributions from quantized samples
Huawei Technologies France（华为技术法国公司）；Université Paris-Est（巴黎东大学）
我们考虑了网络中参数分布从其量化样本中学习的问题。具体地，$n$代理或传感器观察未知参数分布的独立样本;并且它们中的每一个使用$k$比特来向中央处理器描述其观察到的样本，中央处理器的目标是估计未知分布。首先，我们利用$p > 1$，在广义Fisher信息下，将著名的van Trees不等式推广到一般的$L_p$ -范数.然后，我们开发了两个损失的估计误差的极小极大下界：一般$L_p$ -范数和相关的Wasserstein损失从最佳运输。
2022-07-21 cs.IT cs.LG math.IT
Linear Regression from 1-bit Quantized Data
George Mason University（乔治梅森大学）；University of Virginia（弗吉尼亚大学）
研究在数据丰富但存储和传输资源有限的环境下，基于1位抖动量化预测变量、其平方和响应的线性回归问题，提出基于二次规划的插件估计器，并分析其非渐近误差界和渐近分布。
2026-03-30 cs.IT math.IT math.ST
