Robust Adaptive Beamforming Based on Low-Complexity Shrinkage-Based Mismatch Estimation
在这项工作中,我们提出了一种低复杂度的鲁棒自适应波束形成(RAB)技术,估计使用低复杂度收缩的失配估计(LOCSME)算法的导向矢量。LOCSME算法利用Oracle近似收缩(OAS)方法估计输入数据的协方差矩阵和干扰加噪声协方差矩阵。LOCSME仅需要实际导向矢量所在的角扇区和天线阵列几何形状的先验知识。LOCSME不需要昂贵的优化算法,并且不需要知道来自干扰器的额外信息,这避免了所有干扰器的方向发现。仿真结果表明,LOCSME优于以前报道的RAB算法,并具有非常接近最佳的性能。
2013-11-11 cs.IT math.IT
Recovery from Linear Measurements with Complexity-Matching Universal Signal Estimation
研究了加性噪声下的压缩感知(CS)信号估计问题,其中输入信号通过线性矩阵乘法测量。虽然这种设置通常假设在恢复期间输入信号中的稀疏性或可压缩性,但是可以利用的信号结构通常不是先验已知的。在本文中,我们考虑通用CS恢复,其中一个平稳遍历信号源的统计估计同时与信号本身。受Kolmogorov复杂性和最小描述长度的启发,我们专注于一个最大后验(MAP)估计框架,该框架利用通用先验来匹配源的复杂性。我们的框架也可以适用于一般的线性逆问题,可能需要比CS更多的测量。我们提供的理论结果,支持算法的可行性,通用MAP估计使用马尔可夫链蒙特卡罗实现,这是计算上的挑战。我们采用了一些技术来加速算法,同时提供可比的,在许多情况下更好的重建质量比现有的算法。实验结果表明,在CS的普遍性的承诺,特别是对于低复杂度的来源,不表现出标准的稀疏性或压缩性。
2014-12-21 cs.IT math.IT
On the Sample Complexity of Multichannel Frequency Estimation via Convex Optimization
在线性谱估计(或频率估计)中使用多通道数据对于提高阵列处理、结构健康监测、无线通信等中的估计精度是常见的。最近提出的原子范数方法由于其可证明的优越性,在准确性,灵活性和鲁棒性相比,传统的方法引起了相当大的关注。在本文中,我们分析了原子范数最小化的无噪声压缩数据的多通道频率估计,表明,每个通道的样本大小,确保准确的估计减少,在温和的条件下,随着通道数的增加。具体地,给定$L$信道,从$N$等间隔样本中随机选择的每个信道的顺序$K\left(\log K\right) \left(1+\frac{1}{L}\log N\right)$样本足以确保以高概率精确估计被归一化并且相互分离至少$\frac{4}{N}$的$K$频率。数值结果证实了我们的分析。
2018-10-12 cs.IT math.IT
Low-Complexity MIMO Channel Estimation with Latent Diffusion Models
Purple Mountain Laboratories(紫金山实验室)
本文提出基于潜在扩散模型的PSLD-CE算法,利用轻量级生成先验和增强的后验采样,在低复杂度下实现优于现有方法的MIMO信道估计。
2025-10-24 cs.IT math.IT
Low Complexity Hybrid Precoding and Channel Estimation Based on Hierarchical Multi-Beam Search for Millimeter-Wave MIMO Systems
在毫米波(mmWave)MIMO系统中,虽然混合数字/模拟预编码结构提供了提高可实现速率的潜力,但它也面临着需要低复杂度设计的挑战。具体地,混合预编码可能需要具有天线大小的尺度的矩阵运算,这在毫米波通信中通常是大的。此外,由于Tx/Rx两侧的天线数量较多,信道估计也相当耗时。本文提出了一种低复杂度的混合预编码和信道估计方法。在信道估计阶段,提出了一种分层多束搜索方案,以快速获取具有最高功率的$N_{\rm{S}}$(流的数量)多径分量(MPC)/簇。在混合预编码阶段,模拟和数字预编码被解耦。模拟预编码被设计为沿着在Tx/Rx两侧的$N_{\rm{S}}$获取的MPC/集群进行引导,从而对等效的$N_{\rm{S}}\times N_{\rm{S}}$基带信道进行整形,而数字预编码在基带中利用缩减规模的信道执行操作。性能评估表明,与现有技术的方案相比,在实现接近甚至更好的性能的同时,当射频(RF)链或流的数量小时,混合预编码的计算复杂性和信道估计的时间复杂度都大大降低。
2016-03-04 cs.IT math.IT
Low Complexity Channel Estimation for Millimeter Wave Systems with Hybrid A/D Antenna Processing
毫米波(mmWave)频率处的大带宽的可用性是使甚高频成为第五代(5G)移动通信网络的有希望的候选使能器的主要因素之一。为了应对数十GHz频率下的信号传播的固有特性并且能够实现每秒吉比特数量级的数据率,期望毫米波系统采用实现高度定向波束成形的大型天线阵列。在本文中,我们认为毫米波无线系统包括配备大型天线阵列的节点,能够执行混合模拟和数字(A/D)处理。为了实现信道感知的发射和接收波束形成,我们重点设计了低复杂度的压缩感知信道估计。特别是,通过采用时间相关的毫米波信道模型,我们提出了两种压缩感知算法,利用时间相关性,以减少稀疏信道估计的复杂性,一个是贪婪的,另一个是迭代的。我们代表性的性能评估结果提供了有用的见解之间的相互作用,一些系统和操作参数,信道估计的准确性。
2016-10-01 cs.IT math.IT
Reduced Complexity Angle-Doppler-Range Estimation for MIMO Radar That Employs Compressive Sensing
作者最近提出了一种由小型无线网络实现的MIMO雷达系统。通过在接收节点处应用压缩感知(CS),MIMO雷达超分辨率可以用比传统方法少得多的观测值来实现。这以前的工作考虑了到达方向和多普勒的估计。由于目标在角速度空间中是稀疏的,因此可以通过求解l1最小化问题来提取目标信息。本文通过在具有CS的MIMO雷达中引入步进频率来利用距离信息。该方法在提高距离分辨力的同时,也提高了模糊速度。然而,联合角度多普勒距离估计需要离散化的角度多普勒距离空间,这会导致急剧上升的计算负担的l1最小化问题。为了保持一个可接受的复杂度,提出了一种技术,连续估计角度,多普勒和范围在一个解耦的方式。所提出的方法可以显着降低复杂性,而不牺牲性能。
2009-12-05 cs.IT math.IT
Low-Complexity Robust Adaptive Beamforming Algorithms Based on Shrinkage for Mismatch Estimation
在本文中,我们提出了低复杂度的鲁棒自适应波束形成(RAB)技术的基础上收缩方法。所提出的算法所需的唯一先验知识是实际导向矢量所在的角扇区和天线阵列的几何形状。首先提出了一种低复杂度的基于收缩的失配估计(LOCSME)算法,利用Oracle近似收缩(OAS)方法估计干扰加噪声协方差(INC)矩阵,并通过矩阵求逆计算权值。然后,我们开发低成本随机梯度(SG)递归来估计INC矩阵并更新波束形成权重,从而产生了所提出的LOCSME-SG算法。仿真结果表明,LOCSME和LOCSME-SG实现了非常好的输出信号干扰噪声比(SINR)相比,以前报道的自适应RAB算法。
2015-05-26 cs.IT math.IT
Performance Analysis for Time-of-Arrival Estimation with Oversampled Low-Complexity 1-bit A/D Conversion
模数(A/D)转换在设计节能和快速信号处理系统时起着至关重要的作用。由于其复杂性随输出位数呈指数级增长,因此当采用单个位的最小分辨率时,可以显著节省成本。然而,由A/D转换器引入的非线性效应导致显著的性能损失,特别是对于接收器在低信噪比(SNR)范围之外操作的情况。通过交易的A/D分辨率为一个适度更快的采样率,我们表明,对于到达时间(TOA)估计在任何SNR水平下,它是可能的,以获得一个低复杂度的$1$位接收系统,其具有较小的性能下降,然后经典的低SNR硬限制损失的$2/π$($-1.96$ dB)。这一结果的关键是就业的Fisher信息矩阵,使我们能够近似的估计性能的粗略量化的接收机与相关的噪声模型在一个悲观的方式的下界。
2017-03-06 cs.IT math.IT
Low-Complexity Channel Estimation with Set-Membership Algorithms for Cooperative Wireless Sensor Networks
本文研究了一般多跳协作无线传感器网络的信道估计问题。提出了两种基于矩阵的集员算法,用于复矩阵信道参数的估计。其主要目标是减少计算复杂性显着相比,现有的信道估计和延长寿命的无线传感器网络,通过降低其功耗。第一种算法是集员归一化最小均方(SM-NLMS)算法。第二种是集员递归最小二乘(RLS)算法,称为BEACON。然后,我们提出了一个误差界函数,并将其引入到这两种信道估计方法中,该函数可以随着信道估计的更新自动调整误差界。稳态分析的输出均方误差(MSE),并提供了封闭形式的公式的超额MSE和更新的概率在每个递归。计算机模拟表明,我们提出的算法在收敛速度,稳态均方误差和比特出错率(BER)方面表现出良好的性能,并表现出降低的复杂度和鲁棒性对时变环境和不同的信噪比(SNR)值。
2013-03-15 cs.IT math.IT
Low-Complexity Channel Estimation for Internet of Vehicles AFDM Communications With Sparse Bayesian Learning
Northwestern Polytechnical University(西北工业大学);Shaanxi University of Science and Technology(陕西科技大学);Nanyang Technological University(南洋理工大学);South China University of Technology(华南理工大学);Xidian University(西安电子科技大学)
本文提出低复杂度的AFDM信道估计方法,通过稀疏贝叶斯学习框架和分布式计算方案,提升信道估计性能与效率。
2025-12-16 cs.IT math.IT
Low-Complexity Channel Estimation for Extremely Large-Scale MIMO in Near Field
针对近场 XL-MIMO 信道估计复杂度过高的问题,提出 SADCE 方法,通过角度与距离解耦、2D-DFT 角度估计及闭式距离估计,以更低复杂度获得更优性能。
2023-12-07 cs.IT eess.SP math.IT
Low-Complexity Message Passing Based Massive MIMO Channel Estimation by Exploiting Unknown Sparse Common Support with Dirichlet Process
研究了大规模MIMO系统中稀疏信道的估计问题。大多数无线信道是稀疏的,具有大的延迟扩展,而可以观察到一些信道在天线阵列的某个区域内具有稀疏的公共支持(SCS),即,根据信道的稀疏支持,天线阵列可以被分组为若干簇。当涉及到大规模MIMO系统中的大量信道估计时,SCS性质是有吸引力的。使用信道的SCS,人们期望更好的性能,但是簇的数量和每个簇的元素在接收机中总是未知的。在本文中,{狄利克雷过程}被利用来建模这样的稀疏信道,其中每个簇中的那些具有SCS。提出了一种基于稀疏贝叶斯学习的低复杂度消息传递算法,在因子图上结合BP和MF进行大规模MIMO系统的信道估计。仿真结果表明,所提出的大规模MIMO稀疏信道估计算法的性能优于现有算法。特别是,它甚至表现出更好的性能比变分贝叶斯方法应用于大规模MIMO信道估计。
2017-04-21 cs.IT math.IT
Low-Complexity Channel Estimation in Large-Scale MIMO using Polynomial Expansion
本文研究了大规模多输入多输出(MIMO)通信系统中基于导频的信道估计问题。与以前的工作在这个主题上,主要考虑了由于导频重用(所谓的导频污染)的小区间干扰的影响,我们关心的是计算复杂性。传统的最小均方误差(MMSE)和最小方差无偏(MVU)信道估计器依赖于逆协方差矩阵,这在每一侧的天线数量的乘法中具有立方复杂度。由于这是非常昂贵的,当有数百个天线,我们建议近似的反演的L阶矩阵多项式。介绍了一组低复杂度的贝叶斯信道估计器,即多项式扩展信道(PEACH)估计器。多项式的系数被优化以产生小的均方误差(MSE)。我们数值计算表明,接近最佳的性能实现低多项式阶。在实践中,可以选择阶数L以在复杂度和MSE之间进行平衡。有趣的是,导频污染有利于PEACH估计器,因为较小的L可以用于实现接近最优的MSE。
2013-07-17 cs.IT math.IT
Compressive sensing based Bayesian sparse channel estimation for OFDM communication systems: high performance and low complexity
在正交频分调制(OFDM)通信系统中,由于频率选择性衰落信道会导致数据传输过程中出现严重的符号间干扰(ISI),因此在接收端需要获取信道状态信息(CSI)。宽带信道模型通常由非常少的主导信道抽头来描述,并且它们可以通过基于压缩感知的稀疏信道估计(SCE)方法来探测,例如,正交匹配追踪算法,该算法能有效地利用信道稀疏结构的优势作为先验信息。然而,这些方法容易受到噪声干扰和训练信号矩阵的列相干性。换句话说,这些常规方法的主要目标是在没有后验信道不确定性的报告的情况下捕获主导信道抽头。为了提高信道估计性能,提出了一种基于压缩感知的贝叶斯稀疏信道估计(BSCE)方法,该方法在不牺牲任何计算复杂性的前提下,充分利用了信道的稀疏性,并有效地抑制了信道的不确定性。该方法可以揭示由于观测噪声或训练矩阵中列间相关干扰而导致的多个信道估计器之间的潜在模糊性。计算机模拟表明,与传统的SCE方法相比,该方法可以提高估计性能。
2015-04-21 cs.IT math.IT
Low-Complexity Joint Channel Estimation and List Decoding of Short Codes
提出了一种用于短块长度的导频辅助传输(PAT)方案,其中导频仅用于推导列表构建步骤的初始信道估计。通过将非相干解码度量应用于组成列表的码字来获得消息的最终判决。这允许使用非常少的导频,从而减少信道估计开销。该方法被应用到一个有序统计解码器的通信在瑞利块衰落信道。与传统PAT方案相比,对于具有QPSK信令的短码,证明了高达$1.2$ dB的增益。该方法可以推广到其他列表解码器,例如,列出极化码的解码。
2019-01-16 cs.IT math.IT
Low-Complexity Channel Estimation in OTFS Systems with Fractional Effects
针对 OTFS 系统在分数效应下的路径间干扰问题,提出结合能量泄漏干扰消除的顺序低复杂度信道参数估计方法,提升 ISAC 感知性能。
2025-04-29 cs.IT eess.SP math.IT
High-Rate Space-Time Coded Large MIMO Systems: Low-Complexity Detection and Channel Estimation
在本文中,我们提出了一种低复杂度的算法检测在高速率,非正交空时分组码(STBC)大MIMO系统,实现高频谱效率的顺序几十bps/Hz。我们还提出了一个基于训练的迭代检测/信道估计方案,这样的大型STBC MIMO系统。我们的仿真结果表明,良好的比特出错率和接近容量的性能所提出的多级似然上升搜索(M-LAS)检测器结合所提出的迭代检测/信道估计方案,在低复杂度。我们可以示出对于来自循环划分代数(CDA)的在超过20 bps/Hz的频谱效率下操作的大型STBC(如16 × 16和32 × 32 STBC)的这样的良好结果(即使在考虑了用于信道估计和turbo编码的基于导频的训练的开销之后)的事实确立了所提出的检测器和信道估计器的有效性。我们解码完美的代码的大尺寸使用建议的检测器。利用这种低复杂度检测/信道估计方案的可行性,具有以几十bps/Hz频谱效率操作的几十个天线的大型MIMO系统可以变得实用,从而实现令人感兴趣的高数据率无线应用。
2009-09-16 cs.IT math.IT
Reduced Complexity Optimal Detection of Binary Faster-than-Nyquist Signaling
在本文中,我们研究了二进制快于奈奎斯特(FTN)信号的检测问题,并提出了一种新的序列估计技术,利用其特殊的结构。特别地,所提出的序列估计技术基于球形解码(SD),并且利用关于FTN检测问题的以下两个特性:1)接收机匹配滤波器之后的噪声样本之间的相关性,以及2)符号间干扰(ISI)矩阵的结构。仿真结果表明,该算法在降低计算复杂性的同时,获得了最大似然序列估计(MLSE)的最优性能。本文表明,FTN信令有很大的潜力,增加数据率和频谱效率大幅相比,奈奎斯特信令,对于相同的误码率(BER)和信噪比(SNR)。
2017-03-03 cs.IT math.IT
Linear Shrinkage Estimation of Covariance Matrices Using Low-Complexity Cross-Validation
收缩可以有效地提高协方差矩阵估计的条件数和精度,特别是对于训练样本数小于维数的低样本支持度应用。本文研究了线性收缩估计的参数选择问题。我们提出了数据驱动的,留一交叉验证(LOOCV)方法自动选择收缩系数,旨在最大限度地减少估计误差的Frobenius范数。二次损失用作LOOCV的预测误差。所得到的解决方案可以通过分析或解决小规模的优化问题来找到,因此具有低复杂性。我们提出的方法与现有的各种技术进行了比较。我们表明,LOOCV方法实现了接近Oracle的性能收缩设计使用样本协方差矩阵(SCM)和几个典型的收缩目标。此外,LOOCV方法为使用一般收缩目标、多目标和/或基于普通最小二乘(OLS)的协方差矩阵估计的估计器提供低复杂度解决方案。我们还展示了我们提出的技术在阵列信号处理中的几个不同的问题的应用。
2018-10-19 cs.IT math.IT
Low-Complexity Pilot-Aided Doppler Ambiguity Estimation for OTFS Parametric Channel Estimation
本文提出了一种低复杂度的辅助 pilot 多普勒模糊估计方法,用于OTFS参数化信道估计,有效解决高机动环境下多普勒模糊导致的模型不匹配问题。
2026-01-28 cs.IT math.IT
A Low-Complexity Antenna-Layout-Aware Spatial Covariance Matrix Estimation Method
提出了一种低复杂度的天线布局感知(ALA)协方差矩阵估计方法。在估计过程中,假设天线布局在估计器处已知。使用该信息,估计器找到具有统计上相等的协方差值的天线对,并将它们的协方差值设置为所有这些天线对的协方差值的平均值。讨论了均匀线阵和均匀平面阵的ALA。该方法利用协方差矩阵不具有完全自由度的优点。然后,提出的ALA协方差矩阵方法应用于多小区网络。仿真结果表明,所提出的方法可以提供更好的性能比广泛使用的viaQ方法,在均方误差和下行链路频谱效率。
2019-04-30 cs.IT eess.SP math.IT
K-Means Fingerprint Clustering for Low-Complexity Floor Estimation in Indoor Mobile Localization
多层建筑室内定位是一个重要的研究课题。以快速和有效的方式在购物中心或未知的大学建筑中找到正确的楼层可以节省用户的搜索时间,并且可以在未来实现无数的基于位置的服务。用于多层建筑物中的楼层估计的最广泛传播的技术之一是使用来自室内网络(诸如WLAN和BLE)的接收信号强度(RSS)测量的基于指纹的定位。基于RSS的楼层估计的明显优势是其易于在应用程序编程接口(API)级别在众多移动设备上实现,因为RSS值可以通过API接口直接访问。然而,指纹识别方法的缺点,特别是对于大规模楼层估计和定位解决方案,是它们需要存储和传输大量的指纹识别数据。当定位旨在在具有有限的存储器、功率和计算资源的移动设备上完成时,问题变得更加严重。一种替代的地板估计方法是加权质心定位(WCL)方法,其具有较低的复杂度并且比指纹识别更快。然而,这种折衷的代价是比使用最近邻(NN)估计的传统指纹识别获得的准确度低。本文介绍了一种新的基于K-均值的方法,用于通过WiFi和各种其他定位传感器输出的指纹聚类进行楼层估计。我们的方法实现了接近神经网络指纹识别的楼层估计精度,同时显着提高了楼层检测算法的复杂度和速度。通过仅存储和发送簇头(CH)及其对应的楼层标签来实现数据库大小的减小。
2015-09-24 cs.IT math.IT
Low-Complexity Polynomial Channel Estimation in Large-Scale MIMO with Arbitrary Statistics
本文研究了大规模多输入多输出(MIMO)通信系统中基于导频的信道估计,也称为大规模MIMO,其中在链路的一侧有数百个天线。由于计算复杂性是这类系统的主要挑战之一,本文针对任意信道和干扰统计,提出了一组低复杂度的贝叶斯信道估计器,即多项式扩展信道(Polynomial Expansion Channel,PEACH)估计器。虽然传统的最小均方误差(MMSE)估计具有立方复杂度的协方差矩阵的维度,由于逆运算,我们提出的估计显着降低到平方复杂度通过近似逆的L-度矩阵多项式。多项式的系数被优化以最小化估计的均方误差(MSE)。我们数值计算表明,接近最优的MSE实现低多项式次数。我们还得到了精确的计算复杂性的估计,在浮点运算(FLOPs),我们证明了所提出的估计优于传统的估计在大规模MIMO系统的实际尺寸,同时提供了一个合理的MSE。此外,我们表明,L不需要规模与系统的尺寸,以保持一定的归一化MSE。通过分析不同的干扰情况下,我们观察到,使用低复杂度的PEACH估计的相对MSE损失较小的导频污染的现实场景。另一方面,PEACH估计不太适合高导频功率的噪声限制的情况下,因此,我们还介绍了低复杂度的对角化估计,在这种制度下表现良好。最后,我们...
2014-12-05 cs.IT math.IT
Communication Complexity in Locally Private Distribution Estimation and Heavy Hitters
Cornell University(康奈尔大学)
我们考虑隐私和通信约束下的分布估计和重打击(频率)估计的问题。虽然这些限制已被单独研究,一个最优方案是次优的其他。我们提出了一个样本最优的$\varepsilon$ -局部差分私有(LDP)方案的分布估计,其中每个用户只通信一个比特,不需要公共随机性。我们表明,Hadamard响应,最近提出的计划$\varepsilon$ -LDP分布估计也是效用最优的重打击估计。最后,我们表明,不像分布估计,没有公共随机性,只有一个比特就足够了,任何重量级的估计算法,通信$o(\min \{\log n, \log k\})$位从每个用户不能是最佳的。
2019-05-28 cs.DS cs.IT cs.LG
MMSE Channel Estimation in Large-Scale MIMO: Improved Robustness with Reduced Complexity
针对大规模MIMO信道估计中MMSE复杂度高且依赖精确统计信息的问题,本文利用阵列几何结构,对平面阵列采用Kronecker分解、对线性阵列采用循环近似,在保持MMSE精度和频谱效率的同时显著降低复杂度并提升实际场景鲁棒性。
2024-10-04 cs.IT eess.SP math.IT
Low-Complexity and High-Resolution DOA Estimation for Hybrid Analog and Digital Massive MIMO Receive Array
大规模全数字接收天线阵列可以提供非常高分辨率的到达方向(DOA)估计,但导致显著高的RF链电路成本。因此,混合模拟和数字(HAD)结构是优选的。提出了两种基于参数法的相位对准方法:HADPA(HADPA)和混合数模PA(HDAPA)。与模拟相位对准(APA)相比,它们可以显着降低PA阶段的复杂性。针对这种混合结构,提出了一种快速根多重信号分类HDAPA(Root-MUSIC-HDAPA)方法,实现了近似解析解。由于HAD结构的原因,存在测向模糊的影响。该算法采用最大化平均接收功率的智能策略,通过在有限候选方向上进行线性搜索,删除伪解,保留真正的最优解。这导致计算复杂性的显著降低。最后,推导了利用HAD结构寻找辐射源方向的克拉美-罗下界。仿真结果表明,我们提出的方法,Root-MUSIC-HDAPA和HDAPA,可以实现混合CRLB的复杂度显着低于纯线性搜索为基础的方法,如APA。
2017-12-06 cs.IT math.IT
Low-Complexity Channel Estimation for Massive MIMO Systems with Decentralized Baseband Processing
传统的集中式基带处理架构面临着计算复杂度高和过多前传通信的瓶颈,特别是当基站(BS)天线数较多时。为了应对这两个挑战,已经提出了分散式基带处理(DPB)架构,其中BS天线被划分为多个集群,并且每个集群连接到本地基带单元(BBU)。在本文中,我们感兴趣的低复杂度分布式信道估计(CE)方法下的DBP架构,这是很少在文献中研究。目的是设计分布式CE算法,其可以执行以及集中式方案,但具有小的BBU间通信成本。具体地说,基于低复杂度的对角最小均方误差信道估计器,提出了两种分布式CE算法,即聚合后估计算法和估计后聚合算法。与现有的分布式CE算法需要节点之间的迭代信息交换相比,我们的算法只需要在BBU之间进行一次往返通信。大量的实验结果表明,所提出的分布式CE算法的估计精度,BBU间的通信成本,计算复杂度方面的优势。
2022-10-28 cs.IT eess.SP math.IT
Low Time Complexity Near-Field Channel and Position Estimations
本文提出联合自相关与互相关(JAC)方案解耦近场信道中AoA与CoA的耦合,并设计JAC-ISF和JAC-GD算法,其中JAC-GD在低时间开销下实现高精度信道与位置估计。
2024-12-18 cs.IT eess.SP math.IT
SPARLS: A Low Complexity Recursive $\mathcal{L}_1$-Regularized Least Squares Algorithm
我们开发了一种递归$\mathcal{L}_1$ -正则化最小二乘(SPARLS)算法,用于估计自适应滤波设置中的稀疏抽头权重向量。SPARLS算法利用抽头权重向量输出流的噪声观测,并使用期望最大化类型算法来产生其估计。在信道估计的背景下,采用多径无线信道的仿真研究表明,SPARLS算法有显着的改善,比传统的广泛使用的递归最小二乘(RLS)算法,在均方误差(MSE)和计算复杂性。
2009-01-06 cs.IT math.IT
Interference Cancellation Information Geometry Approach for Massive MIMO Channel Estimation
本文提出用于大规模MIMO信道估计的干扰消除信息几何方法,通过构造与MMSE估计同均值的修正形式并利用BSCM和FFT降低复杂度,在保持相近性能的同时实现低复杂度估计。
2024-07-01 cs.IT math.IT
Simultaneous Downlink Data Transmission and Uplink Channel Estimation with Reduced Complexity Full Duplex MIMO Radios
在本文中,我们研究全双工(FD)多输入多输出(MIMO)无线电同时数据通信和控制信息交换。利用最近提出的FD MIMO架构,结合数字发射和接收波束成形与降低复杂度的多抽头模拟自干扰(SI)消除,我们提出了一种新的传输方案,利用信道互易性联合下行链路波束成形信息数据通信和上行链路信道估计,通过训练数据传输。我们采用了一个通用的导频辅助信道估计模型,并提出了一个统一的优化框架,所有涉及FD MIMO设计参数。我们的代表性的Monte Carlo模拟结果的波束形成器以及模拟和数字SI消除的一个示例算法的解决方案表明,所提出的基于FD的联合通信和控制方案提供了1.4倍的下行链路速率的半双工对应。与具有全连接模拟消除的传统FD MIMO架构相比,模拟消除器的硬件复杂度降低了50%,从而实现了这种性能改进。
2020-03-14 cs.IT eess.SP math.IT
Low-Complexity Joint Azimuth-Range-Velocity Estimation for Integrated Sensing and Communication with OFDM Waveform
针对OFDM波形单基地ISAC系统JARVE计算复杂度高的问题,推导其克拉美罗界,提出结合迭代子空间更新与Levenberg-Marquardt优化的低复杂度超分辨率估计算法,相比3D-MUSIC和ESPRIT算法复杂度分别降3个、2个数量级且性能更优。
2024-05-15 cs.IT eess.SP math.IT
CSI-Free Low-Complexity Remote State Estimation over Wireless MIMO Fading Channels using Semantic Analog Aggregation
本文提出一种免CSI的语义模拟聚合方案,结合恒定增益滤波与CSSCA离线优化,实现低复杂度远程状态估计,并通过李雅普诺夫分析给出稳定性条件,数值验证性能优于常用方法。
2025-01-24 cs.IT cs.SY eess.SP
Channel Estimation based on Gaussian Mixture Models with Structured Covariances
本文改进基于GMM的MMSE信道估计器,通过结构化协方差EM训练和时频级联一维估计降低复杂度与存储,并在同等复杂度下显著超越基于PDP和DS的基线。
2023-06-03 cs.IT eess.SP math.IT
Delay-Doppler Channel Estimation with Almost Linear Complexity
无线通信中的一项基本任务是信道估计:计算信号从发射机传输到接收机时所经历的信道参数。在时延-多普勒信道中,一种广泛使用的方法是匹配滤波算法。它使用长度为N的伪随机序列,并且在发送器和接收器之间的非平凡相对速度的情况下,其计算复杂性为O(N^{2}log(N))。在本文中,我们介绍了一种新的方法设计的序列,允许更快的信道估计。使用组表示技术,我们构造序列,这使我们能够引入一个新的算法,称为标志的方法,显着提高了匹配滤波器算法。对于稀疏度为m的信道,标志方法在O(mNlog(N))操作中找到信道参数。讨论了标志方法在GPS、雷达系统和移动通信中的应用。
2012-08-23 cs.IT math.IT math.NT
Effective Low-Complexity Optimization Methods for Joint Phase Noise and Channel Estimation in OFDM
相位噪声校正是充分发挥正交频分复用(OFDM)在现代高速数据传输中优势的关键。因此,具有同步相位噪声补偿的OFDM信道估计引起了人们的广泛关注并激励了持续的努力。然而,现有的方法要么没有考虑相位噪声的基本特性,要么由于相当大的计算复杂性而仅能够提供有限适用性的估计。在本文中,我们已经重新制定了联合估计问题,在时域中,而不是现有的频域方法,这使我们能够开发更有效的算法,使用优化最小化技术。此外,我们提出了一种基于降维和贝叶斯信息准则(BIC)的方法,可以适应各种相位噪声水平,并实现比基准更低的均方误差,而不会产生太多额外的计算成本。几个数值例子与自由运行的振荡器或锁相环产生的相位噪声表明,我们提出的算法优于现有的方法,在很大的信噪比范围内的计算效率和均方误差。
2016-10-05 cs.IT math.IT math.OC
Estimation of Entropy in Constant Space with Improved Sample Complexity
Boston University(波士顿大学);Northeastern University(东北大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
Acharya等人(NeurIPS 2019)的最新工作显示了如何通过在$(k/ε^3) \cdot \text{polylog}(1/ε)$ i.i.d.上进行流式传输来估计大小为$k$的字母表上的分布$\mathcal D$的熵,直到$\pmε$加性误差。样本,并只使用$O(1)$字的内存。在这项工作中,我们给出了一个新的常数内存方案,降低了样本的复杂性$(k/ε^2)\cdot \text{polylog}(1/ε)$。我们推测,这是最佳的$\text{polylog}(1/ε)$的因素。
2022-05-19 cs.DS cs.IT cs.LG
Sample Complexity Bounds for Scalar Parameter Estimation Under Quantum Differential Privacy
本文研究量子本地差分隐私下标量参数估计的样本复杂度,给出量子比特场景的紧上下界,揭示小隐私预算下与经典场景的一致性,并将上界推广到量子多能级系统。
2025-05-19 cs.CR cs.IT math.IT
The Right Complexity Measure in Locally Private Estimation: It is not the Fisher Information
我们确定了基本的权衡统计效用和隐私的本地隐私模型中的数据是保密的,甚至从统计学家,私人估计和学习问题的发展\emph{local minimax risk}提供特定的实例边界。与基于最坏情况(极大极小)误差的方法相比,这是保守的,这使我们能够评估个别问题实例的难度,并描述在私人估计和推理中适应的可能性。我们的主要研究结果表明,局部模的连续性的估计相对于变化距离-而不是中央的海林格距离经典统计-表征收敛速度下的许多概念的隐私,包括差分隐私和放松的局部私人估计。作为这些结果的后果,我们确定了一种替代私人估计的Fisher信息,给出了一个更细致入微的理解的挑战,自适应性和最优性。
2020-09-29 cs.IT math.IT math.ST
Query Complexity of k-NN based Mode Estimation
Indian Institute of Technology Bombay(印度理工学院孟买分校)
受未知多元概率密度函数的模式估计问题的启发,本文研究了在给定的n个点的数据集上,如何确定具有最小k次近邻距离的点.我们研究的情况下,成对的距离是先验未知的,但我们可以访问一个预言,我们可以查询,以获得噪音的信息之间的任何一对点的距离。针对两种自然预言机模型,设计了一种基于置信区间思想的序贯学习算法,该算法自适应地决定向预言机发送哪些查询,能够以较高的概率正确求解问题。我们推导出依赖于实例的上界的查询复杂性,我们提出的计划,并通过广泛的数值评估,也证明了显着改善其他基线的性能。
2020-10-26 cs.IT cs.LG math.IT
AMP-SBL Unfolding for Wideband MmWave Massive MIMO Channel Estimation
在宽带毫米波(mmWave)大规模多输入多输出(MIMO)系统中,由于混合模数架构,信道估计是一个具有挑战性的问题,它压缩了接收到的导频信号,使信道估计成为一个压缩感知(CS)问题。然而,现有的高性能CS算法通常遭受高复杂度。另一方面,大带宽和大量天线所引起的波束偏斜效应会使估计性能恶化。本文首次采用频率相关的角度字典来补偿光束斜视角。然后,从两个方面对基于期望最大化(EM)的稀疏贝叶斯学习(SBL)算法进行了改进,即在每一次迭代中,E步由近似消息传递(AMP)实现以降低复杂度,而M步由深度神经网络(DNN)实现以提高性能。仿真结果表明,基于AMP-SBL展开的信道估计器具有较低的复杂度和较好的性能。
2023-02-01 cs.IT eess.SP math.IT
Low-Complexity Channel Estimation for RIS-Assisted Multi-User Wireless Communications
针对RIS辅助多用户系统信道估计导频开销高的问题,提出利用信道空间相关性的低复杂度LMMSE估计方法,平衡开销与精度,并验证其MSE优于现有分组方法。
2025-01-22 cs.IT eess.SP math.IT
A Decomposition Method for Global Evaluation of Shannon Entropy and Local Estimations of Algorithmic Complexity
我们调查的块分解方法(BDM),它扩展了权力的编码定理方法(CTM),近似本地估计的算法复杂性的基础上Solomonoff-Levin的算法概率理论,提供了一个更紧密的连接到算法的复杂性比以前的尝试,基于统计分析,例如,发现一些流行的无损压缩计划的基础上。BDM背后的策略是找到小的计算机程序,这些程序可以产生更大的分解对象的组件。然后,可以将短计算机程序的集合巧妙地按顺序排列,以便产生原始对象并估计产生所述原始对象的最短计算机程序的长度的上限。我们表明,该方法提供了有效的估计算法的复杂性,但它像香农熵时,它失去了准确性。我们估计误差,并研究不同边界条件下的BDM的行为,所有这些都进行了详细的比较和评估。该度量可以适于与比字符串更多的多维对象、诸如数组和张量的对象一起使用。为了测试的措施,我们证明了CTM的权力低算法随机性对象被分配最大熵(例如$π$),但其数值近似值更接近理论上的低算法随机性的期望。我们还测试了更大的对象,包括对偶,同构和共谱图,我们知道,算法的随机性是低的措施。我们还发布了大多数主要程序设计语言中的方法实现-Wolfram语言(Mathematica),Matlab,R,Perl,Python,Pascal,C++和Haskell--以及免费的在线算法复杂度计算器。
2018-06-18 cs.CC cs.IT math.IT
Roadside IRS-Aided Vehicular Communication: Efficient Channel Estimation and Low-Complexity Beamforming Design
智能反射面(IRS)是一种很有前途的控制无线传播环境的技术,可以有效地提高通信性能。然而,在高移动性的通信场景中,如车辆通信的快速时变的信道使得它具有挑战性,以获得瞬时的信道状态信息(CSI)有效的IRS与大量的反射元件。在本文中,我们提出了一种新的路边IRS辅助车载通信系统来应对这一挑战。具体而言,通过利用道路两侧的IRS的交错等间隔的对称部署和附近的IRS控制器之间的合作,我们提出了一种新的两阶段信道估计方案,离线和在线训练,分别获得所提出的低复杂度的被动波束形成方案所需的静态/时变CSI有效。所提出的IRS波束成形和在线信道估计设计利用无线网络中现有的上行链路导频,并且不需要对现有传输协议进行任何改变。此外,它们可以由每个IRS控制器独立地实现,而不需要来自用户的服务BS的任何实时反馈。仿真结果表明,所提出的设计方案能够有效地获得较高的IRS无源波束形成增益,从而显著提高高速车载通信系统的通信吞吐量。
2023-02-15 cs.IT eess.SP math.IT
Settling the Sample Complexity of Rényi Entropy Estimation
Shanghai Jiao Tong University(上海交通大学)
本文解决了非整数阶Rényi熵估计的样本复杂度,给出了充分且必要的样本数上界和下界,完成了Rényi熵估计复杂度图景。
2026-10-08 cs.DS cs.IT math.IT
On the sample complexity of parameter estimation in logistic regression with normal design
Columbia University(哥伦比亚大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文研究逻辑回归在标准正态设计下参数估计的样本复杂度,发现其随逆温度变化存在两个变点,清晰划分低、中、高温三个区域。
2024-05-23 cs.IT cs.LG math.IT
On the sample complexity of purity and inner product estimation
SEAS, Harvard University(哈佛大学工程与应用科学学院);IIIS, Tsinghua University(清华大学智能产业研究院)
本文研究了量子纯度估计与内积估计的样本复杂度,提出了具有有界量子通信和非纠缠测量的内积估计协议及其在纯度估计上的修改版,并证明了相应的样本复杂度下界。
2024-10-16 cs.DS cs.IT cs.LG
Low Complexity Channel Estimation for OTFS Modulation with Fractional Delay and Doppler
针对少天线OTFS系统在分数时延、多普勒及实际脉冲下DD域稀疏性受损的问题,提出M-MLE及进一步降维的TSE信道估计方法,以更低复杂度获得更高估计精度。
2021-11-11 cs.IT eess.SP math.IT
Quantum query complexity of entropy estimation
本文首次提出估计α-Rényi熵的量子算法,证明香农熵估计具有二次量子加速,并对所有α≥0给出通用量子加速、极端情形上界及匹配的量子下界。
2017-10-16 cs.DS cs.IT math.IT
Near-Optimal Sample Complexity Bounds for Maximum Likelihood Estimation of Multivariate Log-concave Densities
The Ohio State University(俄亥俄州立大学);University of Southern California(南加州大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
研究了关于全局损失函数的多元对数凹密度的学习问题。我们得到的第一个上界的样本复杂性的最大似然估计(MLE)的对数凹密度$\mathbb{R}^d$,所有$d \geq 4$。在此之前的工作,没有有限的样本上限是已知的估计在超过$3$尺寸。更详细地说,我们证明了,对于任何$d \geq 1$和$ε>0$,给定$\tilde{O}_d((1/ε)^{(d+3)/2})$样本从一个未知的对数凹密度$f_0$上$\mathbb{R}^d$,极大似然估计输出一个假设$h$,具有很高的概率是$ε$ -接近$f_0$,在平方海灵格损失。$Ω_d((1/ε)^{(d+1)/2})$的样本复杂度下限对于实现该保证的任何学习算法是先前已知的。因此,我们建立的样本复杂性的对数凹MLE是接近最佳的,高达$\tilde{O}(1/ε)$的因素。
2018-12-05 cs.IT cs.LG math.IT
Private Mean Estimation of Heavy-Tailed Distributions
University of Waterloo(滑铁卢大学);Northeastern University(东北大学)
给出了具有有界$k$阶矩分布的差分私有均值估计的极小极大样本复杂度的新的上界和下界。粗略地说,在单变量的情况下,我们表明,$n = Θ\left(\frac{1}{α^2} + \frac{1}{α^{\frac{k}{k-1}}\varepsilon}\right)$样本是必要的和足够的估计平均$α$ -准确性下$\varepsilon$ -差分隐私,或其任何常见的松弛。与不存在隐私约束的估计相比,该结果表明了定性上不同的行为,其中所有$k \geq 2$的样本复杂性都是相同的。我们也给算法的多变量设置的样本复杂性是一个因素的$O(d)$大于单变量的情况下。
2021-02-16 cs.CR cs.DS cs.IT
Query complexity of heavy hitter estimation
Indian Institute of Technology, Bombay(印度理工学院孟买分校)
我们考虑的问题,确定的元素的子集$\mathcal{S}^γ_{\mathcal{P}}$的支持下的底层分布$\mathcal{P}$的概率值大于一个给定的阈值$γ$,通过主动查询一个oracle,以获得有关序列$X_1, X_2, \ldots$的$i.i.d.$样本从$\mathcal{P}$。我们考虑两种查询模型:$(a)$每个查询是索引$i$并且oracle返回值$X_i$和$(b)$每个查询是一对$(i,j)$并且oracle给出确认是否为$X_i = X_j$的二进制答案。对于这些查询模型中的每一个,我们设计了顺序估计算法,在每一轮,要么决定什么查询发送到Oracle的整个历史的响应,或决定停止并输出估计的$\mathcal{S}^γ_{\mathcal{P}}$,这是需要正确的一些预先指定的大概率。我们提供的查询复杂度的算法的任何分布$\mathcal{P}$的上限,也得到了最佳的查询复杂度的下限下的两个查询模型。我们还考虑了两个查询模型的噪声版本,并提出了鲁棒的估计,可以有效地对抗噪音的预言机响应。
2021-02-10 cs.DS cs.IT cs.LG
Differentially Private Assouad, Fano, and Le Cam
Cornell University(康奈尔大学)
Le Cam方法、Fano不等式和Assouad引理是证明统计估计任务下界的三种广泛使用的技术。在中心差分隐私下,我们提出了它们的类似物。我们的结果是简单的,易于应用,我们用它们来建立样本的复杂性界限在几个估计任务。在全变差距离和$\ell_2$距离下,建立了离散分布估计的最优样本复杂度.我们还提供了其他几个分布类的下限,包括产品分布和高斯混合是紧密的对数因子。我们论文的技术部分将分布之间的耦合与差分隐私下估计的样本复杂性联系起来。
2020-11-02 cs.CR cs.DS cs.IT