Sparse Signal Processing for Grant-Free Massive Connectivity: A Future Paradigm for Random Access Protocols in the Internet of Things
下一波无线技术将在连接传感器、机器和机器人以实现无数新应用方面激增,从而为物联网(IoT)创建结构。物联网连接的通用场景涉及大量的机器类型连接。但在典型的应用中,在任何给定时刻,只有一小部分(未知)设备处于活动状态,因此提供大规模物联网连接的关键挑战之一是首先检测活动设备,然后以低延迟解码其数据。本文概述了适用于大规模物联网接入问题的几种关键信号处理技术,主要关注先进的压缩感知技术及其在有效检测有源设备方面的应用。我们表明,大规模多输入多输出(MIMO)特别适合大规模物联网连接,因为随着基站天线数量趋于无穷大,设备检测误差可以在极限范围内渐进为零。使用多测量矢量(MMV)压缩感知技术。本文还提供了一个角度对几个相关的大规模接入的重要技术,如嵌入短消息的设备活动检测过程和编码的随机接入。
2018-07-18 cs.IT math.IT
Low-Rank Signal Processing: Design, Algorithms for Dimensionality Reduction and Applications
我们提出了降秩信号处理,降维设计方法和算法的教程,并涵盖了一些重要的应用。一个基于线性代数和线性估计的一般框架,向读者介绍降秩信号处理的基本原理,并描述如何对观察到的离散时间信号进行降维。本文利用最小二乘优化技术对降维算法进行了统一的处理,并对设计降维变换矩阵的几种方法进行了评述。降维技术包括基于观测数据向量协方差矩阵特征分解的降维技术、Krylov子空间方法、联合迭代优化(JIO)算法以及具有简化结构和切换的JIO(JIOS)技术。一些应用程序,然后考虑使用统一的治疗,其中包括无线通信,传感器和阵列信号处理,语音,音频,图像和视频处理。本教程最后讨论了未来的研究方向和新出现的主题。
2015-08-04 cs.IT math.IT
Morphological Detector for Multilevel Signals in epsilon-Noise
提出了一种适用于脉冲非高斯噪声信道中多电平信号检测的新方法。这种方法包括使用形态学非线性图像滤波原理的二维的信号。它是一种利用三维图像处理算法进行信号解调的新方法。这种形态检测器的成功结果鼓励人们对使用图像处理理论和算法进行二维的信号处理进行更多的研究。从第四节的例子中可以看出,这种重新使用开发良好和广泛开发的图像处理的新方法显著提高了性能。
2015-03-03 cs.IT math.IT
Graph Signal Processing -- Part II: Processing and Analyzing Signals on Graphs
本专著的第一部分的重点是基本性质、图的拓扑和图的谱表示。第二部分着手这些概念,以解决围绕图上的数据/信号处理的算法和实际问题,也就是说,重点是对图上的确定性和随机数据的分析和估计。通过一个简单直观的,但说明性和一般性的多传感器温度场估计的情况下研究,介绍了图形信号相关的基本思想。利用图信号移位算子定义了图上系统的概念,推广了传统学习系统的相应原理。图形信号和系统的谱域表示的核心是图形离散傅立叶变换(GDFT)。谱域表示,然后作为基础,介绍图形信号滤波的概念,并解决其设计,包括切比雪夫多项式逼近系列。提出了与图形信号的采样相关的想法,并进一步与压缩感知联系起来。联合顶点-谱域中的局部图信号分析被称为顶点-频率分析,因为它可以被认为是经典时频分析到信号的图域的扩展。本课程涵盖了与局部图傅里叶变换(LGFT)相关的重要主题,以及它的各种形式,包括图谱和顶点域窗口以及反演条件和关系。建立了带谱变窗的LGFT与谱图小波变换(SGWT)的联系。实现的LGFT和SGWT使用多项式(切比雪夫)近似的谱函数被进一步考虑。最后,介绍了顶点频率表示的能量版本。
2019-09-23 cs.IT math.IT
Information Theoretic I-MMSE generalize Time-Frequency Signal Processing Tools
本文利用信息论与估计论结果I-MMSE,证明其推广了分析非平稳非高斯信号急需的时频信号处理工具。
2025-03-02 cs.IT eess.SP math.IT
Discrete uncertainty principles and sparse signal processing
我们开发新的离散不确定性原则的数值稀疏性,这是一个连续的代理0-范数。与传统的稀疏性不同,数值稀疏性的连续性自然地容纳了近似稀疏的函数。在研究了这些原则和实现精确或接近相等的功能之后,我们确定了一些稀疏信号处理应用中的某些后果。
2017-05-25 cs.IT math.FA math.IT
Olfactory Signal Processing
嗅觉,嗅觉,从信号处理的角度来看,与听觉和视觉相比,很少受到关注。在本文中,我们开发了一个信号处理模式的嗅觉信号的基础上新的科学发现,包括嗅觉白色的心理物理学概念。我们描述了一个框架,预测的感知气味化合物从他们的物理化学特征和使用的预测作为基础的几个下游处理任务。我们详细的配方气味消除和食品隐写,并提供现实世界的经验的例子,这两个任务。我们还讨论了自适应滤波和其他嗅觉信号处理任务的高水平。
2015-09-15 cs.IT cs.MM math.IT
Investigating the relationship between graph eigenvector ordering and the signal processing dual
图信号处理采用图特征向量基对信号进行分析。然而,这些图特征向量通常是线性排序的(通过总变差),这对于许多图结构来说可能是不合理的。在文献中已经提出了基于结构的相似性度量,其更好地捕获图特征向量的几何形状。另一方面,已经有工作试图将对偶的概念推广到图形信号处理。(信号处理)对偶图捕获图频率之间的关系,并且通常通过反转图傅立叶变换操作来获得。在这项工作中,我们调查这两个概念之间的联系。我们提出了两个图的对偶性度量,它量化了两个图之间的距离(信号处理)。我们证明了这个定义满足一些理想的性质,并开发了一个算法的基础上坐标下降和完美匹配计算近似对偶。通过计算的对偶性度量,我们观察到,结构化图,基于相似性度量的技术给出了一个更好的对偶图(反之亦然ER图),提出了一个潜在的新方法统一的两种方法。
2022-02-21 cs.IT eess.SP math.IT
Spectral representation of two-sided signals from $\ell_\infty$ and applications to signal processing
本文研究了 $\ell_\infty$ 中非消失有界离散时间信号的谱表示及其可预测性与可恢复性问题,扩展了传递函数、谱间隙、带限性和滤波器等概念,提出了相关的频率条件、恢复方法和预测器。
2024-06-04 cs.IT math.FA math.IT
Sample Abundance for Signal Processing: A Brief Introduction
本文介绍单比特与少比特信号处理中的样本丰度概念,说明大量低精度测量可消除半正定和秩约束,并给出相关算法、理论保证及复杂度骤降的奇异性现象。
2025-07-25 cs.IT eess.SP math.IT
Hilbert Transform, Analytic Signal, and Modulation Analysis for Graph Signal Processing
我们提出了希尔伯特变换(HT)和解析信号(AS)的建设信号在图。这是由HT、AS和调制分析在传统信号处理中的普及以及观察到的互补洞察力通常通过在图形设置中查看传统信号来获得的。我们的定义HT和AS使用共轭对称的性质所表现出的图形傅立叶变换(GFT)。我们表明,一个真正的图形信号(GS)可以表示使用更少的GFT系数比信号长度。我们证明了图HT(GHT)和图AS(GAS)操作是线性的,并且在图上是平移不变的。使用GAS,我们定义了图形信号(GS)的幅度,相位和频率调制。此外,我们使用凸优化开发一个GS的包络的另一种定义。我们说明了所提出的概念,显示应用程序的合成和真实世界的信号。例如,我们表明,GHT是适合异常检测/分析网络和气体揭示互补信息的语音信号。
2018-01-29 cs.IT cs.SI math.IT
An algebra for signal processing
Martin-Luther-Universität Halle-Wittenberg(哈勒-维滕贝格马丁路德大学)
本文尝试公理化信号处理,提出基于高斯函数的公理模型,支持精确计算和信号算法属性的自动测试。
2011-04-04 cs.IT cs.NA math.IT
Massive Access in Cell-Free Massive MIMO-Based Internet of Things: Cloud Computing and Edge Computing Paradigms
研究了基于无小区的大规模多输入多输出(MIMO)物联网中的大规模接入问题,解决了具有挑战性的主动用户检测(AUD)和信道估计(CE)问题。对于上行链路传输,我们提出了一种先进的帧结构设计,以减少接入延迟。此外,通过考虑所有接入点(AP)的合作,我们研究了两种处理范式在接收器的大规模访问:云计算和边缘计算。对于云计算,所有AP连接到中央处理单元(CPU),并且在所有AP处接收的信号在CPU处集中处理。而对于边缘计算,中央处理被卸载到配备有分布式处理单元的部分AP,使得AUD和CE可以在分布式处理策略中执行。此外,通过利用信道矩阵的结构化稀疏性,我们开发了一种基于结构化稀疏性的广义近似消息传递(SS-GAMP)算法,用于可靠的联合AUD和CE,其中考虑了处理信号的量化精度。在SS-GAMP算法的基础上,进一步提出了一种基于连续干扰消除的AUD和CE方案,用于减少接入延迟。仿真结果验证了所提出的方法的优越性比国家的最先进的基线计划。结果表明,边缘计算可以实现与云计算相似的海量访问性能,并且边缘计算能够减轻CPU负担,具有更快的访问响应,支持更灵活的AP协作。
2020-07-22 cs.IT cs.NI eess.SP
Signal Reconstruction via H-infinity Sampled-Data Control Theory: Beyond the Shannon Paradigm
University of Florida(佛罗里达大学);Kyoto University(京都大学)
本文提出基于采样数据控制理论的新信号重构方法,通过稳定离散时间滤波器将问题转化为模拟性能优化问题,采用H无穷性能准则考虑采样间行为,提供稳定因果最优解计算方法,并讨论音频和图像重构应用。
2013-08-09 cs.IT cs.SY eess.SY
Intelligent Radio Signal Processing: A Survey
Pusan National University(釜山国立大学);Seoul National University of Science and Technology(首尔科技大学);Kumoh National Institute of Technology(金乌国立理工大学);INRS, University of Quebec(魁北克大学INRS研究所)
本文是一篇智能无线电信号处理领域综述,先介绍AI相关技术背景,再围绕无线物理层四大主题梳理原理与最新研究,最后指出挑战与未来方向,为相关研究者提供参考。
2021-06-04 cs.AI cs.IT cs.NI