Compressive estimation of doubly selective channels in multicarrier systems: Leakage effects and sparsity-enhancing processing
我们认为，应用压缩感知（CS）的脉冲成形多载波系统（其中包括OFDM系统作为一个特殊情况）的双选择性信道的估计。通过利用延迟-多普勒域中的稀疏性，基于CS的信道估计允许通过减少导频符号的数量来增加频谱效率。为了打击泄漏效应，限制延迟多普勒稀疏，我们提出了一个稀疏增强的基础扩展和优化的基础上，或没有事先统计信息的信道的方法。我们还提出了一种替代CS为基础的信道估计（潜在的）强时间-频率色散的信道，这是能够估计的“非对角”的信道系数表征符号间和载波间干扰（ISI/ICI）。对于这个估计，我们提出了一个基础建设相结合的傅立叶（指数）和长椭球序列。仿真结果评估所提出的稀疏增强处理技术和ISI/ICI信道系数的显式估计实现的性能增益。
2010-05-07 cs.IT math.IT
Multichannel group sparsity methods for compressive channel estimation in doubly selective multicarrier MIMO systems (extended version)
我们考虑在双选择性MIMO信道上传输的脉冲成形多载波多输入多输出（MIMO）系统中的信道估计。这种设置包括作为特殊情况的MIMO正交频分复用（MIMO-OFDM）系统。我们发现，在延迟-多普勒域的分量信道往往表现出近似的联合组稀疏结构。然后，我们开发了一个压缩信道估计，利用这种结构，以提高性能。提出的信道估计器使用多通道组稀疏压缩感知的方法，它结合了组稀疏压缩感知和多通道压缩感知的方法。我们推导了信道估计误差的上界，并分析了估计器的计算复杂性。通过引入基础扩展产生增强的联合组稀疏性，以及基础优化算法，该算法能够利用先前的统计信息，如果可用的话，估计器的性能进一步提高。使用基于几何的信道模拟器的模拟表明，由于利用联合组稀疏性和优化的基础的性能增益。
2016-08-01 cs.IT math.IT
Leveraging Diversity and Sparsity in Blind Deconvolution
本文考虑从$L$维向量的圆卷积$\boldsymbol{y}_n = \boldsymbol{w}*\boldsymbol{x}_n, \ n = 1,2,3, \ldots, N$中恢复$L$维向量$\boldsymbol{w}$和$\boldsymbol{x}_1,\boldsymbol{x}_2, \ldots, \boldsymbol{x}_N$.假设矢量$\boldsymbol{w}$在傅立叶域中展开的已知基中是$S$稀疏的，并且每个输入$\boldsymbol{x}_n$是已知$K$维随机子空间的成员.我们证明了，无论何时$K + S\log^2S \lesssim L /\log^4(LN)$，只要输入是充分多样的，并服从$N \gtrsim \log^2(LN)$，问题可以有效地解决，通过使用核范数最小化作为凸松弛。通过“不同的输入”，我们的意思是$\boldsymbol{x}_n$属于不同的通用子空间。据我们所知，这是第一个理论上的结果盲反卷积的子空间，其中$\boldsymbol{w}$属于不固定的，但需要确定。我们讨论的背景下，在无线通信中的多径信道估计的结果。信道脉冲响应$\boldsymbol{w}$中的衰落系数和延迟都是未知的。编码器对$K$维消息向量进行随机编码，然后在固定信道上一个接一个地发送编码消息$\boldsymbol{x}_n$.然后，当为每…
2017-12-15 cs.IT math.IT
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。
2017-06-16 cs.IT math.IT
Channel Estimation for RIS Assisted Wireless Communications: Part II -- An Improved Solution Based on Double-Structured Sparsity
可重构智能表面（RIS）可以通过控制RIS元件的系数来操纵无线通信环境。然而，由于大量无源RIS元件不具有信号处理能力，RIS辅助的无线通信系统中的信道估计需要高导频开销。在本文的第二部分中，我们提出利用用户间角级联信道的双结构稀疏性来减少导频开销。具体来说，我们首先揭示了双结构稀疏性，即，不同用户的不同角度级联信道享有完全公共的非零行和部分公共的非零列。通过利用这种双结构稀疏性，我们进一步提出了双结构正交匹配追踪（DS-OMP）算法，其中完全共同的非零行和部分共同的非零列联合估计的所有用户。仿真结果表明，该方案所需的导频开销低于现有方案。
2021-01-23 cs.IT math.IT
Sparsity-Exploiting Channel Estimation For Unsourced Random Access With Fluid Antenna
本文针对流体天线无源随机接入系统，提出交替与部分端口两种信道估计策略，利用散射体稀疏性细化估计，数值验证可行且优于传统接收机。
2025-04-24 cs.IT math.IT
Channel Estimation for Wideband MmWave MIMO OFDM System Exploiting Block Sparsity
本文研究了宽带毫米波MIMO OFDM系统的时域信道估计问题。通过传输频域导频符号以及不同的波束成形向量，我们观察到时域毫米波MIMO信道表现出信道延迟稀疏性，特别是不同空间方向之间的块稀疏性。然后，我们提出了一个时域信道估计利用块稀疏性（TDCEBS）计划，它总是旨在找到最好的非零块实现最大的投影的残差在每次迭代。特别地，我们使用5G New Radio推荐的用于生成宽带毫米波MIMO信道的ADDRiGa来评估系统性能。仿真结果验证了所提出的TDCEBS方案的有效性，所提出的方案优于现有的方案。
2022-03-12 cs.IT eess.SP math.IT
Sparsity-Adaptive Beamspace Channel Estimation for 1-Bit mmWave Massive MIMO Systems
我们提出了稀疏自适应波束空间信道估计算法，提高精度的1位数据转换器在全数字毫米波（mmWave）大规模多输入多输出（MIMO）基站。我们的算法包括一个调整阶段的基础上斯坦的无偏风险估计（SURE），自动选择最佳的去噪参数取决于瞬时信道条件。与视线（LoS）和非LoS毫米波大规模MIMO信道模型的仿真结果表明，我们的算法提高信道估计精度与1位测量的计算效率的方式。
2020-05-30 cs.IT eess.SP math.IT
Semi-Blind Channel-and-Signal Estimation for Uplink Massive MIMO With Channel Sparsity
本文考虑了上行链路大规模多输入多输出（MIMO）系统的收发机设计与信道稀疏在角域。最近的研究表明，基于稀疏学习的盲信号检测能够通过使用基于消息传递的稀疏矩阵分解方法来恢复信道和数据。短导频序列被插入到用户数据包中，以消除稀疏矩阵分解中固有的所谓相位和置换模糊性。在本文中，更有效地利用这些短导频序列的知识，我们提出了一种半盲信道和信号估计（SCSE）计划，其中的导频序列的知识被集成到消息传递算法稀疏矩阵分解。SCSE算法涉及对所有可能的用户排列的枚举，因此当用户数量相对较大时是耗时的。为了降低复杂性，我们进一步开发了简化的SCSE（S-SCSE），以适应大量用户的系统。我们表明，我们的半盲信号检测方案大大优于国家的最先进的盲检测和训练为基础的计划在短导频制度。
2019-06-04 cs.IT math.IT
Double-Sparsity Learning Based Channel-and-Signal Estimation in Massive MIMO with Generalized Spatial Modulation
在本文中，我们研究了联合天线活动检测，信道估计和多用户检测的大规模多输入多输出（MIMO）系统与一般空间调制（GSM）。本文首先考虑大规模MIMO信道的稀疏性和GSM系统的信号稀疏性，建立了一个双稀疏大规模MIMO模型。基于双稀疏模型，我们制定了盲检测问题。为了解决盲检测问题，我们提出了基于消息传递的盲信道和信号估计（BCSE）算法。BCSE算法基本上遵循仿射稀疏矩阵分解技术，但进行了关键修改以处理模型的双稀疏性。我们表明，BCSE算法显着优于现有的盲和基于训练的算法，并能够密切接近精灵的界限（与已知信道或已知信号）。在BCSE算法中，稀疏矩阵分解后，使用短导频来消除相位和排列模糊。为了更有效地利用短导频，我们进一步发展了半盲信道和信号估计（SBCSE）算法，将相位和排列模糊度的估计到迭代消息传递过程中。我们表明，SBCSE算法大大优于同行的算法，包括BCSE算法在短导频制度。
2019-10-25 cs.IT eess.SP math.IT
Spatially Common Sparsity Based Adaptive Channel Estimation and Feedback for FDD Massive MIMO
针对FDD大规模MIMO系统，提出基于空间共同稀疏性的自适应信道估计与反馈方案，利用非正交导频设计与压缩感知算法降低开销并提升CSI获取性能。
2023-10-19 cs.IT math.IT
A Distributed Sparse Channel Estimation Technique for mmWave Massive MIMO Systems
在本文中，我们研究了稀疏信道估计的问题，通过协作和完全分布式的方法。估计问题制定在角度域中，通过利用空间上共同的稀疏结构的多用户场景中所涉及的信道。稀疏信道估计问题是通过一个有效的分布式方法解决的，在该方法中，参与的用户协同估计他们的信道稀疏支持集，在本地估计信道值之前，假设存在全局和公共支持子集。所提出的算法，命名为WDiOMP的性能进行比较，DiOMP，本地OMP和集中式解决方案的基础上SOMP，在支持集恢复错误在各种实验场景下。即使在底层稀疏结构未知的情况下，也证明了WDiOMP的功效。
2021-07-22 cs.IT math.IT
Structured-Sparsity-Aware Joint User Activity Detection and Channel Estimation for OTFS-Based Grant-Free Random Access
Nanyang Technological University（南洋理工大学）；State Key Laboratory of Integrated Services Networks, Xidian University（西安电子科技大学集成服务网络国家重点实验室）；AUMOVIO Germany GmbH（奥莫维欧德国有限公司）；University of California at Davis（加州大学戴维斯分校）
该研究针对高移动性场景下OTFS与GFRA集成的用户活动检测和信道估计难题，提出基于结构化稀疏的SS-EP算法，构建对应框架并通过仿真验证其性能优于现有基准方案。
2026-08-05 cs.IT eess.SP math.IT
Estimation of block sparsity in compressive sensing
在压缩感知中，利用未知信号的块结构可以获得更好的重构性能。理论上，具有块结构的未知信号可以从少量的欠定线性测量中精确地恢复，只要它是足够块稀疏的。从实际的角度来看，一个严重的问题是，块稀疏水平往往出现未知。本文利用$α\in[0,\infty]$引入了块稀疏性的软度量$k_α(\mathbf{x})=\left(\lVert\mathbf{x}\rVert_{2,α}/\lVert\mathbf{x}\rVert_{2,1}\right)^{\fracα{1-α}}$，并提出了一种利用多元中心各向同性对称$α$ -稳定随机投影的估计方法.建立了估计量的极限分布。通过仿真来说明我们的理论结果。
2021-06-03 cs.IT math.IT stat.AP
The Diversity Potential of Relay Selection with Practical Channel Estimation
我们调查的多样性顺序解码和转发中继选择Nakagami-m衰落，在实际的信道估计技术的情况下，适用。在这方面，我们引入了一个统一的模型的不完美的信道估计，噪声，时变信道和反馈延迟的影响被联合考虑。基于该模型，实际信道值和估计信道值之间的相关性ρ被表示为信噪比（SNR）的函数，从而产生作为ρ的函数的总中断概率的封闭形式的表达式。由此得到的分集阶数和功率增益揭示了中继选择的性能对ρ的高SNR行为的高度依赖性，从而揭示了信道估计对整体性能的影响。结果表明，当信道估计不经常更新的应用程序中，涉及时变信道，或当分配给信道估计的功率量是不够高，中继选择的分集潜力严重退化。简而言之，本文的主要贡献在于回答以下问题：当SNR趋于无穷大时，ρ应该多快趋于1，使得中继选择不会经历任何分集损失？
2011-08-19 cs.IT math.IT
Sparsity Domain Smoothing Based Thresholding Recovery Method for OFDM Sparse Channel Estimation
针对超5G网络下OFDM系统需降低导频开销提升数据速率的需求，提出基于稀疏域平滑的三步稀疏信道估计算法SDS-IMAT，结合导频位置优化，在均方误差和误码率上优于现有方法，性能接近最优。
2023-05-04 cs.IT eess.SP math.IT
Estimation of Sparsity via Simple Measurements
我们考虑几个相关的问题，估计的“稀疏性”或非零元素$d$的长度$n$向量$\mathbf{x}$通过只观察$\mathbf{b} = M \odot \mathbf{x}$，其中$M$是一个预先设计的测试矩阵独立的$\mathbf{x}$，和操作$\odot$不同的问题。我们的目标是提供一个$Δ$ -近似稀疏一些恒定的$Δ$与最小数量的测量（行的$M$）。该框架概括了多个问题，如组测试和压缩感知中的稀疏性估计。我们使用来自编码理论的技术以及概率方法来表明，当操作$\odot$是逻辑OR时，$O(D \log D \log n)$行是足够的（即，组测试），并且几乎需要这么多，其中$D$是$d$的已知上限。相反，当操作$\odot$是在$\mathbb{R}$或有限域$\mathbb{F}_q$乘法，我们分别$Θ(D)$和$Θ(D \log_q \frac{n}{D})$测量是必要和充分的。
2017-07-20 cs.DM cs.IT math.IT
Triple-Structured Compressive Sensing-based Channel Estimation for RIS-aided MU-MIMO Systems
可重构智能表面（RIS）被认为是5G之后的潜在技术，并引起了巨大的研究关注。然而，由于级联信道中的参数数量过多，在RI辅助系统中的信道估计仍然是一个关键的挑战。现有的基于压缩感知（CS）的RIS估计方案仅采用不完全稀疏性，这会导致冗余导频消耗。在本文中，我们利用级联通道的特定三重结构稀疏性，即，公共列稀疏度、偏移补偿后的结构化行稀疏度和所有用户之间的公共偏移。在此基础上提出了一种新的多用户联合估计算法。仿真结果表明，我们的方法可以显着减少导频开销在两个CDMA和UPA场景。
2021-08-31 cs.IT eess.SP math.IT
Channel Estimation for IRS-Assisted Millimeter-Wave MIMO Systems: Sparsity-Inspired Approaches
由于智能反射面能够创造良好的视距传播环境，因此被认为是未来毫米波无线通信的有力推动者。本文研究了基于IRS的毫米波多输入多输出（MIMO）{ \color{black} wireles}系统的信道估计问题。通过利用毫米波信道在角域中的稀疏性，我们将信道估计问题表示为具有固定秩约束的$\ell_1$范数正则化优化问题。为了解决非凸性的制定的问题，提出了一个有效的算法，通过利用交替最小化和流形优化（MO），这会产生一个局部最优解。为了进一步降低信道估计算法的计算复杂性，本文提出了一种基于压缩感知的信道估计方法。特别地，提出了一种三阶段估计协议，其中每个阶段的子问题可以通过低复杂度的CS方法来解决。在此基础上，基于级联信道的信道状态信息，设计了一种被动波束形成算法，以最大化频谱效率。仿真结果表明，提出的基于MO的估计（MO-EST）和波束形成算法的性能明显优于两种基准算法，而基于CS的估计（CS-EST）算法在性能和复杂度之间取得了平衡。此外，我们证明了MO-EST算法的鲁棒性相对于不完善的知识的稀疏水平的信道，这是至关重要的实际实现。
2021-07-24 cs.IT eess.SP math.IT
An Iterative Receiver for OFDM With Sparsity-Based Parametric Channel Estimation
在这项工作中，我们设计了一个接收器，反复通过信道估计和数据解码阶段之间的软信息。接收机采用基于稀疏的参数信道估计。最先进的基于稀疏性的迭代接收器通过将多径延迟限制到网格来简化信道估计问题。我们的破产管理人并没有施加这样的限制。因此，它不会遭受泄漏效应，破坏稀疏性。在高SNR下以接近容量速率的通信需要大的调制阶数。由于此类系统中调制符号非常接近，基于网格的近似精度不够。我们数值计算表明，一个国家的最先进的迭代接收器与基于网格的稀疏信道估计表现出误码率地板在高信噪比制度。相反，我们的接收机执行非常接近完美的信道状态信息的所有SNR值的边界。我们还从理论上和数值上证明了参数信道估计在密集信道中工作良好，即，当多径分量的数量很大并且不能分辨每个单独的分量时。
2018-09-16 cs.IT eess.SP math.IT
Cross-Sparsity-Enabled Multipath Perception via Structured Bayesian Inference for Multi-Target Estimation
针对多径环境下的多目标估计问题，本文提出三层分层先验下的跨稀疏结构及SF-TVBI算法，利用一阶反射路径提升角度估计精度，在性能媲美Turbo-VBI的同时降低了计算复杂度。
2025-11-18 cs.IT eess.SP math.IT
Adaptive Link Selection Strategies for Distributed Estimation in Wireless Sensor Networks
在这项工作中，我们提出了自适应链路选择策略的分布式估计扩散型无线网络。我们开发了一个基于穷举搜索的链路选择算法和一个稀疏启发的链路选择算法，可以利用网络的拓扑结构与低质量的链接。在基于穷举搜索的算法中，我们选择导致特定节点的最小超额均方误差（EMSE）的邻居集合。在稀疏启发链路选择算法中，引入凸正则化设计了一种稀疏启发链路选择算法。所提出的算法有能力装备扩散型无线网络，并显着提高其性能。仿真结果表明，与现有算法相比，所提算法具有更低的EMSE值和更好的收敛速度，显著提高了网络性能。
2014-01-15 cs.IT math.IT
Channel Estimation for Holographic MIMO: Wavenumber-Domain Sparsity Inspired Approaches
针对 HMIMO 系统，本文设计波数域稀疏化基并提出 WD-OMP 压缩感知信道估计算法，在不同天线数、间距及超密间距下均保持高精度。
2024-06-13 cs.IT eess.SP math.IT
Estimation Diversity and Energy Efficiency in Distributed Sensing
研究了基于多个无线传感器测量的分布式估计问题。假设一组传感器在具有可能不同方差的独立加性观测噪声中观测到相同的量。使用放大和转发（模拟）传输通过非理想衰落无线信道从传感器到融合中心，在那里它们被组合起来，以生成所观察到的量的估计传输的意见。假设融合中心采用最佳线性无偏估计（BLUE），首先讨论了等功率传输策略，通过引入估计中断和估计分集的概念分析了系统性能，并证明了存在一个与传感器数量级相当的分集增益。最优功率分配策略，然后考虑两种情况下：最小失真下的功率约束和最小功率失真约束。在第一种情况下，示出了通过关闭坏的传感器，即，对于信道条件较差、观测质量较差的传感器，可以在不牺牲分集增益的情况下实现自适应功率增益。这里，自适应功率增益类似于当发射机已知信道条件时在多输入单输出（MISO）多天线系统中实现的阵列增益。在第二种情况下，在零中断估计失真约束下最小化总功率，并讨论了传感器网络中的一些相关能量效率问题。
2007-04-25 cs.IT math.IT
Models, Methods and Waveforms for Estimation and Prediction of Doubly Sparse Time-Varying Channels
Mathematical and Algorithmic Sciences Lab, Huawei France R&D（华为法国研发中心数学与算法科学实验室）；EURECOM（欧洲通信学院）
本文针对延迟-多普勒双重稀疏的时变信道，提出基于压缩感知的on-grid估计框架和基于DPSS-BEM的离网格估计与预测模型，并证明AFDM波形在估计精度和开销上优于OFDM和SCM。
2025-11-07 cs.IT math.IT
Asymptotic Data Rates of Receive-Diversity Systems with MMSE Estimation and Spatially Correlated Interferers
提出了一种渐近技术来表征在空间分布式网络中具有相关位置处的有源中继器、N个接收分集分支和线性最小均方误差（MMSE）接收器的代表性无线链路上可实现的比特/符号。这个框架，然后应用到系统，包括类似物的Matern I型和II型网络，这是有用的模型系统与媒体访问控制（MAC），蜂窝上行链路与正交传输和频率复用，和布尔集群网络。据发现，对于我们的网络模型，与适度大的N，的相关性之间的位置并不显着影响的比特/符号，导致在简单的近似值的数据率可实现在这样的网络，这是已知的是难以分析，并为其中很少的分析结果是可用的。
2013-12-26 cs.IT math.IT
Joint Activity Detection and Channel Estimation for IoT Networks: Phase Transition and Computation-Estimation Tradeoff
大规模设备连接是物联网（IoT）网络的一个关键通信挑战，物联网网络由大量具有零星流量的设备组成。在每个相干块中，服务基站需要识别活动设备并估计它们的信道状态信息以进行有效通信。通过利用数据传输的稀疏模式，我们开发了一种结构化的组稀疏估计方法，同时检测活动设备和估计相应的信道。这种方法显著减少了签名序列长度，同时支持大规模物联网访问。为了确定最优签名序列长度，研究了群稀疏性估计问题的\emph{the phase transition behavior}。具体地，当签名序列长度超过阈值时，可以以高概率成功地估计用户活动;否则，以高概率失败。利用圆锥积分几何理论表征了相变区的位置和宽度。我们进一步发展了一种平滑方法来解决高维结构化估计问题，在给定的有限时间预算。这是通过在平滑参数、签名序列长度和估计精度方面急剧地表征收敛速率来实现的，从而在估计精度和计算成本之间产生折衷。数值结果表明，我们的理论结果的准确性和平滑技术的好处。
2018-10-01 cs.IT math.IT
Distributed Channel Estimation and Optimization for 6D Movable Antenna: Unveiling Directional Sparsity
针对6DMA集中式信道估计成本过高的问题，本文提出分布式LPU架构，揭示信道方向稀疏性，并设计三阶段统计CSI获取、位置旋转优化与瞬时估计算法，以更低导频开销提升精度和遍历和速率。
2024-12-05 cs.IT eess.SP math.IT
Online Wideband Spectrum Sensing Using Sparsity
宽带频谱感知是认知无线电系统的重要组成部分。精确的频谱估计通常是低效的，因为它需要等于或高于奈奎斯特速率的采样率。使用关于信号结构的先验信息可以允许以低得多的采样率进行接近精确的重构。采样信号在频域中的稀疏性是认知无线电应用中研究的热门先验之一。稀疏性假设下的信号重构已经被压缩感知（CS）领域的研究人员严格研究。已知在批量样本上操作的CS算法是鲁棒的，但是可能在计算上是昂贵的，使得它们不适合于需要实时的频谱感测的廉价低功率认知无线电设备。另一方面，基于最小均方（LMS）算法的变化的在线算法具有非常简单的更新，因此它们在计算上是有效的，并且可以容易地实时的适应于基础频谱的变化。在本文中，我们将提出两种变化的LMS算法，执行稀疏性的估计频谱的上限上的非零系数的数量。假设谱中非零元素的个数是已知的，我们证明了在一定条件下，硬阈值操作只能减少我们估计的误差。我们还将表明，我们可以估计在每次迭代的基础上，我们的在线估计的频谱的非零元素的数量。最后，我们数值比较我们的算法与其他在线稀疏诱导算法在文献中。
2018-01-04 cs.IT math.IT
On Scaling Laws of Diversity Schemes in Decentralized Estimation
本文研究了高斯源的多传感器分散估计问题。我们考虑一个多样性方案，只有最好的信道传感器发送他们的测量通过衰落信道的融合中心，使用模拟放大和转发技术。融合中心基于接收到的测量值重建源的MMSE估计。分布式版本的多样性方案，传感器决定是否只根据其本地信道信息进行传输也被认为是。我们推导出渐近表达式的预期失真（在融合中心的MMSE估计），这些计划的传感器的数量变得很大。为了比较，渐近表达式的预期失真的相干多址方案和正交接入方案。我们还研究了分集方案，最佳功率分配，以最大限度地减少平均总功率约束的预期失真。优化的预期失真的分布情况下的传输概率的效果也进行了研究。可以看出，与相干多址方案和正交方案（其中预期失真衰减为1/M，M是传感器的数量）相反，对于分集方案，预期失真仅衰减为1/ln（M）。衰减率的这种降低可以被看作是分集方案的简单性与相干多址和正交方案的严格同步和大带宽要求之间的折衷。
2010-02-24 cs.IT math.IT
Sparsity-Aware Sensor Collaboration for Linear Coherent Estimation
在分布式估计的背景下，我们考虑的问题，传感器协作，这是指与相邻传感器共享测量传输到融合中心之前的行为。同时结合传感器协作的成本，我们的目标是找到最佳的稀疏协作方案受到一定的信息或能量约束。研究了两类传感器协作问题：信息约束下的最小能量问题和能量约束下的最大信息问题。为了解决由此产生的传感器协作问题，我们提出了易于处理的优化配方，并提出了有效的方法，使近最佳的解决方案，在数值实验。我们还探讨的情况下，有一个成本与参与每个传感器的估计方案。在这种情况下，必须明智地选择参与的传感器。我们引入了一个统一的框架，共同设计最佳的传感器选择和协作方案。对于一个给定的估计性能，我们的经验表明，传感器选择和传感器协作之间存在一个权衡。
2015-02-05 cs.IT math.IT stat.ME
Volume Ratio, Sparsity, and Minimaxity under Unitarily Invariant Norms
本文提出了一种新的机器研究非渐近极小极大估计的高维矩阵，它产生紧极小极大率的大量收集的损失函数在各种问题。基于有限维巴拿赫空间的凸几何，本文首先给出了一种确定无约束正规平均矩阵在所有平方酉不变范数损失下的Minimax估计率的体积比方法.此外，我们建立了极大极小率估计平均矩阵与子矩阵稀疏，其中的稀疏约束引入了一个额外的长期的依赖于范数的速率完全不同的无约束问题的速率。此外，该方法适用于低秩约束下的矩阵完备化问题。新方法还扩展了正常均值模型。特别地，对于所有酉不变范数，它在协方差阵估计和泊松率矩阵估计问题中产生紧速率。
2013-06-15 cs.IT math.IT math.ST
Channel Estimation for mmWave Massive MIMO Based Access and Backhaul in Ultra-Dense Network
用于超密集网络（UDN）中的接入和回程的毫米波（mmWave）大规模MIMO已被认为是有前途的5G技术。我们考虑这样一个异构网络（HetNet），超密集的小型基站（BS）利用毫米波大规模MIMO的接入和回程，而宏小区BS提供控制服务与低频段。然而，毫米波大规模MIMO的信道估计可能是具有挑战性的，因为在毫米波大规模MIMO中获取与大量天线相关联的信道的导频开销可能非常高。本文提出了一种基于结构化压缩感知（SCS）的信道估计方案，利用毫米波信道的角度稀疏性来减少所需的导频开销。具体而言，由于非视距路径的路径损耗远大于视距路径的路径损耗，因此毫米波海量信道在角域中呈现出明显的稀疏性。通过利用这种稀疏性，所需的导频开销仅取决于少量的主导多径。此外，系统带宽内的稀疏性几乎不变，这可以被利用为进一步提高性能。仿真结果表明，所提出的方案优于其对应的，它可以接近性能界。
2016-04-23 cs.IT math.IT
Sparsity-Based Error Detection in DC Power Flow State Estimation
Carnegie Mellon University（卡内基梅隆大学）；SYSU-CMU Joint Institute of Engineering（中山大学-卡内基梅隆大学联合工程学院）；SYSU-CMU Shunde International, Joint Research Institute（中山大学-卡内基梅隆大学顺德国际联合研究院）；School of Electronics and Information Technology, SYSU（中山大学电子与信息工程学院）；Florida International University（佛罗里达国际大学）；University of Central Florida（中佛罗里达大学）
本文提出了一种基于稀疏性的直流潮流状态估计误差检测方法，利用阻抗矩阵的奇异性和误差向量的稀疏性，通过将直流潮流问题转化为稀疏向量恢复问题，利用电力系统结构进行状态估计，实现精确计算测量误差。
2016-08-26 cs.IT cs.NA math.IT
Super-Resolution mmWave Channel Estimation using Atomic Norm Minimization
我们提出了毫米波（mmWave）系统，采用混合模拟和数字波束成形和广义空间调制，分别超分辨率MIMO信道估计。利用毫米波信道的固有稀疏性，信道估计问题被公式化为原子范数最小化，其增强了连续的出发角和到达角中的稀疏性。导频辅助和数据辅助信道估计器的开发，前者制定为一个凸问题，后者作为一个非凸问题。为了解决这些制定的信道估计问题，我们开发了一个计算效率高的共轭梯度下降方法的基础上，非凸分解，限制了搜索空间低秩矩阵。仿真结果表明，与现有的基于压缩感知的估计器相比，所提出的算法对于两种类型的毫米波系统具有优异的信道估计性能，具有精细量化的角度网格。
2018-01-23 cs.IT math.IT
Directional Sparsity Based Statistical Channel Estimation for 6D Movable Antenna Communications
本文首次揭示6DMA信道的方向稀疏性，提出基于协方差的算法估计统计CSI，以较低导频开销实现更高信道功率估计精度。
2025-05-21 cs.IT eess.SP math.IT
An Efficient Beam and Channel Acquisition via Sparsity Map and Joint Angle-Delay Power Profile Estimation for Wideband Massive MIMO Systems
本文针对毫米波宽带稀疏多输入多输出（MIMO）信道，提出了一种基于混合波束形成结构的波束和信道捕获方案以及联合角度延迟功率分布（JADPP）构造方法。我们考虑两种不同的操作模式，即慢时间波束捕获和快时间瞬时信道估计，用于时分双工系统的训练阶段。在第一种模式下，形成预结构的混合波束来扫描预期的角扇区，通过使用一种新的恒虚警率阈值算法，从自适应雷达检测理论的启发，获得联合角度延迟稀疏图连同每个用户信道的功率强度。建议的阈值算法采用时空自适应匹配滤波器类型的估计器，考虑到由于同时活跃的多径分量的不同用户信道的强干扰，以估计每个用户的JADPP。在估计的功率分布上应用所提出的阈值算法之后，构造大规模MIMO信道的角度延迟稀疏图，基于该稀疏图形成信道协方差矩阵（CCM），从而显著减少训练快照的数量。然后，通过使用估计的CCM，模拟波束形成器被重建的虚拟扇区化的手段，同时考虑到组间和符号间干扰。最后，对于第二种工作模式，提出了两种新的降秩瞬时信道估计器，工作在由混合结构形成的适当波束空间中。所提出的波束和信道捕获技术在真正了解CCM的情况下达到最小均方误差滤波器的信道估计精度。
2019-10-13 cs.IT eess.SP math.IT
FCFGS-CV-Based Channel Estimation for Wideband MmWave Massive MIMO Systems with Low-Resolution ADCs
针对宽带毫米波（mmWave）大规模多输入多输出（MIMO）系统，提出了一种基于前向贪婪选择-交叉验证（FCFGS-CV-based）的信道估计器。利用毫米波虚拟信道在角度域和延迟域中的稀疏性，将最大后验（MAP）信道估计问题转换为具有凹目标函数和稀疏性约束的优化问题。FCFGS算法是一种广义正交匹配追踪（OMP）算法，用于求解稀疏约束优化问题。此外，CV技术被用来确定适当的终止条件，通过检测过拟合时，稀疏水平是未知的。
2019-08-01 cs.IT eess.SP math.IT
Channel Estimation for XL-MIMO Systems with Polar-Domain Multi-Scale Residual Dense Network
针对XL-MIMO近场信道稀疏性弱导致的角度域估计性能损失，提出基于极化域稀疏性的P-MRDN和P-MSRDN网络，仿真验证其优于基准方案且受稀疏性影响小。
2023-09-02 cs.IT eess.SP math.IT
Revisiting XL-MIMO Channel Estimation: When Dual-Wideband Effects Meet Near Field
本文针对宽带XL-MIMO近场信道估计，利用空间啁啾特性刻画角度-时延域结构化稀疏性，提出列式分层先验模型及MMV-HMP算法，在中等复杂度下优于现有基线。
2025-09-09 cs.IT eess.SP math.IT
DICE: Diversity in Deep Ensembles via Conditional Redundancy Adversarial Estimation
Sorbonne Université（索邦大学）
由于其成员的多样性，深度合奏比单一网络表现得更好。最近的方法使预测规则化以增加多样性;然而，它们也大大降低了个体成员的表现。在本文中，我们认为，深度集成的学习策略需要解决集成多样性和个体准确性之间的权衡。受信息论的启发，并利用条件互信息神经估计的最新进展，我们引入了一种新的训练标准DICE：它通过减少特征之间的虚假相关性来增加多样性。其主要思想是从成对成员中提取的特征应该只共享对目标类预测有用的信息，而不是有条件冗余。因此，除了信息瓶颈的分类损失外，我们还可以防止特征之间的条件预测。我们设法减少同时发生的错误，同时保护类信息。我们在CIFAR-10/100上获得了最先进的精度结果：例如，使用DICE训练的5个网络的集合与独立训练的7个网络的集合相匹配。我们进一步分析了校准，不确定性估计，分布外检测和在线共蒸馏的后果。
2021-01-14 cs.CV cs.IT cs.LG
The Role of Interactivity in Structured Estimation
Cornell University（康奈尔大学）；University of Sydney（悉尼大学）；Google Research（谷歌研究院）；Indian Institute of Science（印度科学学院）
我们研究了三种自然约束下的高维稀疏估计：通信约束，局部隐私约束和线性测量（压缩感知）。如果没有稀疏性假设，它已被确定，互动不能提高这些信息约束下的最小最大估计率。交互性是否有助于自然推理任务的问题一直是一个积极的研究课题。我们解决这个问题的高维稀疏均值估计和压缩感知的原型问题的肯定，通过展示交互式和非交互式协议之间的差距。我们进一步确定，当我们具有更结构化的稀疏性时，间隙会增加：对于块稀疏性，这个间隙可以在维度上与多项式一样大。因此，稀疏性越结构化，交互作用的优势就越大。证明下界需要仔细打破一个相关的随机变量的总和成独立的组成部分，使用Baranyai定理分解超图，这可能是独立的利益。
2022-03-14 cs.DM cs.DS cs.IT
Deep Unfolding-Based Channel Estimation for Wideband TeraHertz Near-Field Massive MIMO Systems
针对太赫兹近场大规模MIMO信道估计难题，提出基于深度展开的估计算法，结合频率相关近场字典与定制DNN学习迭代更新规则，搭配混合训练方法，实现了性能、复杂度与鲁棒性的提升。
2024-08-13 cs.IT eess.SP math.IT
Sparse Estimation with Generalized Beta Mixture and the Horseshoe Prior
在本文中，使用广义贝塔混合（GBM）和马蹄分布作为先验的贝叶斯压缩感知框架。分布被认为是在一个两层的分层模型，使相应的推理问题服从期望最大化（EM）。我们提出了一个明确的，代数EM更新规则的模型，产生两个快速和实验验证的信号恢复算法。实验结果表明，我们的算法优于国家的最先进的方法在广泛的稀疏水平和幅度的重建精度，收敛速度和稀疏性。对于具有高幅度的稀疏信号，可以观察到最大的改善。
2014-11-10 cs.IT math.IT stat.ML
Channel Estimation for Intelligent Reflecting Surface-Assisted Millimeter Wave MIMO Systems
智能反射表面（IRSs）被认为是未来毫米波（mmWave）无线通信的有前途的使能者，因为它们能够创建有利的视线（LoS）传播环境。在本文中，我们研究了在下行链路IRS辅助毫米波多输入多输出（MIMO）系统的信道估计。通过利用毫米波信道的稀疏性，我们将信道估计问题表示为固定秩约束的非凸优化问题。为了解决非凸性，提出了一种有效的算法，利用交替极小化和流形优化（MO），它产生一个局部最优解。仿真结果表明，所提出的基于MO的估计（MO-EST）算法显着优于两个基准计划，并证明了MO-EST算法的鲁棒性方面的不完善的知识的稀疏水平的信道在实际实现中。
2020-05-10 cs.IT eess.SP math.IT
Solve-Select-Scale: A Three Step Process For Sparse Signal Estimation
在压缩感知（CS）理论中，未知信号$\mathbf{x} \in \mathcal{R}^n$的稀疏性$\|x\|_0$是最重要的，并且重建算法的焦点主要是$\|x\|_0$或其凸松弛（经由$\|x\|_1$）。然而，这在实践中通常是未知的，并且在对支持的大小一无所知的情况下仍然是一个挑战。正如最近指出的，由于其固有的复杂性以及其噪声性能，$\|x\|_0$可能不是直接最小化的最佳度量。最近Lopes \cite{Lopes2012}研究了一种新的稀疏性稳定测度$s(\mathbf{x}) := \|\mathbf{x}\|_1^2/\|\mathbf{x}\|_2^2$，它是$\|\mathbf{x}\|_0$的一个精确下界.该测量的估计过程仅使用少量线性测量，不依赖于任何稀疏性假设，并且需要非常少的计算。在稀疏信号估计问题中使用数量$s(\mathbf{x})$还没有得到很大的重视。我们开发的想法，将$s(\mathbf{x})$的信号估计框架。我们还提供了一个三步算法来解决问题的形式$\mathbf{Ax=b}$没有额外的假设上的原始信号$\mathbf{x}$。
2016-05-16 cs.IT cs.LG math.IT
Improved Adaptive Sparse Channel Estimation Using Re-Weighted L1-norm Normalized Least Mean Fourth Algorithm
Akita Prefectural University（秋田公立大学）
本文提出改进的自适应稀疏信道估计方法，通过重新加权L1范数归一化最小四次均方算法提升稀疏信道估计的准确性，验证了其优于传统稀疏约束的效率。
2015-01-30 cs.IT cs.SY eess.SY
Sampling Requirements for Stable Autoregressive Estimation
研究了具有亚高斯新息的线性单变量自回归模型的参数估计问题。假设参数是可压缩的，我们分析的性能的$\ell_1$正则化最小二乘以及贪婪估计的参数和特征的采样权衡所需的稳定恢复在非渐近制度。特别是，我们表明，对于一个固定的稀疏水平，稳定的AR参数恢复时，样本的数量与AR阶次线性缩放是可能的。我们的研究结果改善了现有的采样复杂性的要求，AR估计使用LASSO，当稀疏水平的规模快于模型阶的平方根。我们进一步推导出稀疏水平上的充分条件，保证极小极大最优的$\ell_1$ -正则化最小二乘估计。将这些技术应用于模拟数据以及来自原油价格和交通速度数据的真实数据集，证实了我们在估计精度和模型选择方面的预测理论性能增益。
2017-01-17 cs.DM cs.IT math.IT
