Nonuniform Sampling Rate Conversion: An Efficient Approach
Bang & Olufsen（铂傲）
我们提出了一种非均匀采样率转换的离散时间算法，具有较低的计算复杂度和内存需求。它通过适应随时间变化的转换比来推广任意采样率转换，即，它可以有效地适应输入和输出采样率的瞬时变化。这种方法是基于适当因式分解用于转换的时变离散时间滤波器。满足这种因式分解性质的常见滤波器是其中底层连续时间滤波器由指数的线性组合组成的那些滤波器，例如，由线性常系数微分方程描述的那些。这种因式分解将计算分成两部分：一部分由仅取决于输出采样时刻的因子组成，另一部分由求和组成-可以递归计算-其项仅取决于输入采样时刻，并且其项的数量由输入和输出采样时刻之间的关系给出。因此，可以通过更新所涉及的因子和调整所添加的项的数量来适应不均匀的采样率。当脉冲响应由指数组成时，可以以有效的方式递归地计算因子。
2021-05-14 cs.IT cs.SD eess.AS
On High-Resolution Adaptive Sampling of Deterministic Signals
在这项工作中，我们研究了一个给定的确定性信号的高分辨率自适应采样的主题，并建立了连接与经典的高速率量化方法。具体而言，我们制定的任务的最佳高分辨率采样，高速率量化的知名结果的同行的解决方案。我们的研究结果表明，最佳的高分辨率采样结构是由信号梯度能量的密度，就像概率密度函数定义的最佳高速率量化形式。本文有三个主要贡献：第一个是建立一个基本的范式桥接采样和量化的主题。第二部分是与新兴的高分辨率信号处理领域相关的非均匀采样的理论分析。第三个是一个新的实用方法，使重建的基础上，只有采样时间点和信号的极值位置和值的一维信号的非均匀采样。信号采样和编码的实验表明，我们的方法优于优化的树结构采样技术。
2018-04-19 cs.IT math.IT
A Nonuniform-Sampling Theory for Static Multi-Threshold Sampling
Huazhong University of Science and Technology（华中科技大学）；Wuhan National Laboratory for Optoelectronics（武汉光电国家研究中心）；University of Science and Technology of China（中国科学技术大学）
本文为静态均匀多阈值采样建立非均匀采样理论，给出稳定采样的充要条件、可计算准则及扰动界，并证明无限制有限能量情形无法实现通用无先验采样定理。
2026-09-22 cs.IT eess.SP math.IT
Automatic Modulation Recognition of PSK Signals Using Nonuniform Compressive Samples Based on High Order Statistics
相位调制是数字通信中常用的一种调制方式，它通常会给数字信号带来相位稀疏性。这是很自然的稀疏性与压缩感知（CS）的新出现的理论，它使亚奈奎斯特采样的高带宽稀疏信号。目前，压缩感知理论在通信领域的应用主要集中在频谱感知、稀疏信道估计等方面，而考虑相位稀疏特性的研究较少。本文基于相位稀疏性建立了相位调制信号的新模型，并将CS理论引入相位域。根据CS理论，这里所需的采样率与符号率成比例，而不是带宽，符号率通常比奈奎斯特速率低得多。本文为该模型提供了理论支持，并通过仿真验证了其有效性。
2014-12-31 cs.IT math.IT
Time Delay Estimation from Multiband Radio Channel Samples in Nonuniform Noise
多径无线电信道被认为具有非带限信道脉冲响应。因此，它是具有挑战性的，以实现高分辨率的时间延迟（TD）估计的多径分量（MPC）的通信信号的带限观测。本文研究了MPC的多带信道采样和TD估计问题。我们假设非理想多分支接收机用于多频带采样，其中噪声在接收机分支上是不均匀的。从采集的样本形成的汉克尔矩阵的数据模型具有多个平移不变性结构，我们提出了一种算法的TD估计使用加权子空间拟合。将子空间拟合问题转化为可分离的非线性最小二乘问题，并采用变量投影法求解。该算法支持高分辨率TD估计从任意数量的频带，它允许跨频带的非均匀噪声。数值仿真结果表明，该算法几乎达到了Cramer-Rao下界，性能优于多分辨率TOA、MI-MUSIC和ESPRIT等方法。
2019-12-10 cs.IT eess.SP math.IT
Signal Estimation from Nonuniform Samples with RMS Error Bound -- Application to OFDM Channel Estimation
我们提出了一个信道频谱估计的OFDM信号包含导频，假设一个已知的延迟扩展或约束这个参数。该估计器是基于建模的信道的频谱作为一个带限函数，而不是作为一个抽头延迟线（TDL）的离散傅立叶变换。它的主要优点是它的免疫力的截断失配在通常的TDL模型（吉布斯现象）。为了评估估计，我们比较它与著名的TDL最大似然（ML）估计的均方根（RMS）误差。主要结果是，提出的估计改善ML估计显着，每当平均频谱采样率是以上的信道的延迟扩展。这种改善随着频谱过采样率的增加而增加。
2014-05-15 cs.IT math.IT
Sampling and Distortion Tradeoffs for Indirect Source Retrieval
考虑一个不能直接观察到的连续信号。相反，人们可以访问信号的多个损坏版本。可用的损坏信号是相关的，因为它们携带关于公共远程信号的信息。其目标是从其损坏版本收集的数据中重建原始信号。远程重建问题的信息理论公式假设被破坏的信号被均匀采样，并且重点是样本的最佳压缩。在本文中，我们重新审视这个问题，从抽样的角度来看。我们看的问题，找到最佳的采样位置，为每个信号，以尽量减少总的重建失真的远程信号。在找到采样位置时，可以利用损坏信号之间的相关性。我们的主要贡献是任何任意非均匀采样策略的重建失真的基本下界。该下限对任何采样率都有效。此外，它是紧密的，并匹配在低和高采样率的最佳重建失真。此外，它表明，在低采样率区域，它是最佳的，使用一定的非均匀采样方案的所有信号。另一方面，在高采样率区域中，最佳的是均匀地采样所有信号。我们还考虑的问题，找到最佳的采样位置，以恢复损坏的信号集，而不是远程信号。不同于信息理论制定的问题，这两个问题是等价的，我们表明，他们是不等价的，在我们的设置。
2016-12-05 cs.IT math.IT
Shannon Meets Nyquist: Capacity of Sampled Gaussian Channels
我们探讨了采样理论和信息论的交叉点的两个基本问题：信道容量如何受到采样低于信道的奈奎斯特速率的影响，以及应该采用什么样的次奈奎斯特采样策略来最大化容量。特别是，我们得出采样模拟通道的能力，三个流行的采样策略：采样与滤波，采样与滤波器组，采样与调制和滤波器组。这些采样机制支持了实际应用中的大多数非均匀采样技术。我们的分析阐明了欠采样通道和多输入多输出通道之间有趣的联系。最佳的采样结构被示出从每个混叠频率集中提取出具有最高SNR的频率，同时抑制混叠和带外噪声。我们还强调欠采样信道容量和最小均方误差（MSE）估计采样数据之间的连接。特别是，我们证明了过滤器最大化容量和最小化MSE是等效的过滤和过滤器组采样策略。这些结果说明了欠采样技术对信道容量的影响，并描述了信息速率和采样率之间的权衡。
2013-03-17 cs.IT math.IT
The Capacity of Memoryless Channels with Sampled Cyclostationary Gaussian Noise
非正交通信在未来的通信体系结构中扮演着重要的角色。在这种情况下，接收信号被干扰信号破坏，该干扰信号通常在连续时间中是循环平稳的。如果干扰周期与采样周期同步，则采样的干扰是离散时间（DT）循环平稳过程。然而，在共同干扰场景中，干扰的周期不一定与采样周期同步。在这种情况下，DT干涉是一个几乎循环平稳的过程。在这项工作中，我们的特点是容量的信道中的噪声来自采样的循环平稳高斯过程。对于同步采样的情况，容量可以以闭合形式获得。当采样与干扰的符号率不同步时，所得到的信道不是信息稳定的，因此经典工具不适用。利用信息谱方法，证明了在循环平稳噪声环境下，信道容量可以用信道容量序列的极限来表示。我们的研究结果表征的采样率和采样时间偏移量的变化对所产生的DT信道的容量的影响。特别是，我们证明，在采样周期的微小变化可以大大影响容量。
2019-10-17 cs.IT math.IT
Enabling Large-Scale Channel Sounding for 6G: A Framework for Sparse Sampling and Multipath Component Extraction
Dalian University of Technology（大连理工大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出了一种用于6G的信道探测框架，通过稀疏非均匀采样和改进的LR-SAGE算法，实现大规模信道数据采集与多径分量提取。
2026-02-26 cs.IT math.IT
On the Minimax Capacity Loss under Sub-Nyquist Universal Sampling
本文研究了当采样器被设计为独立于瞬时信道占用率而工作时，模拟信道中的信息速率损失。具体而言，多带线性时不变高斯信道下的普遍欠采样被认为是。整个信道带宽被划分为相等带宽的$n$子带。在每个时间，只有$k$恒定增益子带是活动的，其中瞬时子带占用在接收器和采样器处是未知的。我们通过容量损失度量来研究信息损失，即由于瞬时子带占用信息的缺乏而导致的容量间隙。我们的特点是最小最大容量损失的整个子奈奎斯特速率制度，提供的子带和SNR的数量$n$都很大。极大极小限制几乎完全取决于频带稀疏因子和欠采样因子，对随着$n$和SNR增长而消失的一些残差项取模。我们的研究结果突出了随机采样方法（即由随机周期调制和低通滤波器组成的采样器）的能力，这些方法能够以指数高概率接近极大极小容量损失。
2017-03-12 cs.IT math.IT
Efficient Sampling of Sparse Wideband Analog Signals
周期性非均匀采样是对低于奈奎斯特速率的频谱稀疏信号进行采样的已知方法。该策略依赖于隐含的假设，即各个采样器暴露于整个频率范围。这种假设对于宽带稀疏信号变得不切实际。本文提出了一种不需要全频带前端的替代采样级。相反，信号是用模拟前端捕获的，模拟前端由一组乘法器和低通滤波器组成，其截止频率远低于奈奎斯特频率。从低速率采样恢复原始信号的问题可以在压缩采样的框架内进行研究。适当的参数选择可确保样本唯一确定模拟输入。此外，模拟输入可以用数字算法稳定地重构。数值实验支持了理论分析。
2009-01-26 cs.IT math.IT
Increased Capacity per Unit-Cost by Oversampling
它表明，增加一倍的采样率恢复的容量损失的带限高斯信道与一位输出量化器。
2010-09-15 cs.IT math.IT
Oversampling Increases the Pre-Log of Noncoherent Rayleigh Fading Channels
我们分析了连续时间，时间选择性，瑞利块衰落信道的容量在高信噪比（SNR）制度。假设衰落过程在每个块内是固定的，并且从块到块独立地改变;此外，其实现对于发射机和接收机是未知的（非相干设置）。分析该信道容量的常用方法是假设接收机执行匹配滤波，然后以符号率进行采样（符号匹配滤波）。这产生离散时间信道，其中每个传输的符号对应于一个输出样本。Liang和Veeravalli（2004）表明，该离散时间信道的容量随着SNR而几何地增长，其中容量pre-log等于$1-{Q}/{N}$。这里，$N$是在一个衰落块内发送的符号的数量，并且$Q$是每个衰落块内的离散时间信道增益的协方差矩阵的秩。在本文中，我们表明，符号匹配滤波是不是一个容量实现战略的基础连续时间信道。具体来说，我们分析了通过对连续时间信道输出进行过采样而获得的离散时间信道的容量前对数，即，通过比符号速率更快地采样它。我们证明，通过过采样的一个因素两个得到一个容量前日志，至少是大的$1-1/N$。由于对应于符号速率采样的容量预对数是$1-Q/N$，我们的结果确实意味着符号匹配滤波在高SNR下不能实现容量。
2014-08-04 cs.IT math.IT
On the Capacity of Noisy Frequency-based Channels
Technion（以色列理工学院）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
本文研究了噪声频率基通道的容量，通过分析识别噪声的影响，提出了信道容量的反向界限和可实现界限，并应用于DNA存储中的位数损失量化。
2026-01-15 cs.IT math.IT
From Theory to Practice: Sub-Nyquist Sampling of Sparse Wideband Analog Signals
用于模拟信号的常规次奈奎斯特采样方法利用关于谱支持的先验信息。在本文中，我们考虑具有挑战性的问题，盲欠采样的多频带信号，其未知的频率支持只占一小部分的宽频谱。我们的主要设计目标是高效的硬件实现和支持数字处理的低计算负载。我们提出了一个系统，命名为调制宽带转换器，它首先乘以模拟信号的周期性波形的银行。然后对乘积进行低通滤波，并以低速率均匀采样，该低速率的数量级小于奈奎斯特。在一定的充分必要条件下，可以从所提出的样品中完全回收。我们还开发了一个数字架构，它允许模拟输入的重建，或以低速率处理任何感兴趣的频带，也就是说，没有内插到高奈奎斯特速率。数值模拟证明了许多工程方面：鲁棒性噪声和误建模，潜在的硬件简化，实时性能的信号随时间变化的支持和稳定的量化效果。我们比较我们的系统与以前的两种方法：周期性的非均匀采样，这是带宽有限的现有硬件设备，和随机解调器，这是有限的离散多音信号，具有很高的计算负荷。在奈奎斯特采样的更广泛的背景下，我们的计划有可能突破国家的最先进的模拟转换技术，如交错转换器的带宽障碍。
2009-11-10 cs.IT math.IT
Sampling Constrained Asynchronous Communication: How to Sleep Efficiently
当信息在发射机处随机时间不频繁地可用时，对于突发通信，最近已经导出了发送一比特信息的最小能量，以及更一般地，最小成本。此外，已经表明，即使接收机被限制为仅对信道输出的一部分$ρ\in (0,1]$进行采样，也没有容量损失。也就是说，对于任何严格正的采样率$ρ>0$，每单位成本的异步容量与全采样下相同，即，当$ρ=1$。此外，在解码延迟方面没有惩罚。上述结果本质上是渐近的，考虑到当采样率$ρ$保持固定时，要发送的比特数$B$趋于无穷大的限制。一个自然的问题是，与全采样相比，采样率$ρ(B)$是否可以下降到零而不引入容量（或延迟）损失。我们肯定地回答这个问题。本文的主要结果是一个本质上紧的最小采样率的特征。我们表明，任何采样率增长至少一样快，$ω(1/B)$是可以实现的，而任何采样率小于$o(1/B)$产生不可靠的通信。在我们改进的可扩展性结果的关键成分是一个新的，多相自适应采样方案定位瞬态变化，我们相信这可能是独立的兴趣，某些变点检测问题。
2017-10-24 cs.IT math.IT stat.AP
Capacity of Frequency-based Channels: Encoding Information in Molecular Concentrations
针对以分子浓度或对象频率编码、读取时经有放回采样产生噪声的分子信道，本文在池内对象数受限条件下给出紧容量界，并用于解释短分子 DNA 存储虽容量为零仍可达到高信息密度。
2024-05-13 cs.IT math.IT
Achieving the Capacity of a DNA Storage Channel with Linear Coding Schemes
由于DNA合成和测序技术的冗余性质，DNA存储系统的基本模型是多抽取“洗牌取样”通道。在该模型中，在信道输出处观察到每个序列的噪声副本的随机数。最近的工作特点的能力，这样的DNA存储通道在不同的噪声和测序模型，依赖于复杂的典型性为基础的方法的可重复性。在这里，我们考虑在二进制擦除通道的噪声损坏的设置中的多绘制DNA存储通道。我们表明，在这种情况下，通过线性编码方案的能力。这导致了一个相当简单的推导出的能力表达的多绘制DNA存储通道比现有的结果在文献中。
2021-12-02 cs.IT math.IT
On the Capacity of Communication Channels with Memory and Sampled Additive Cyclostationary Gaussian Noise: Full Version with Detailed Proofs
本文研究干扰受限通信中具有记忆的加性采样循环平稳噪声信道的容量，通过将噪声建模为有限记忆随机过程，首次揭示了记忆、采样频率同步与容量之间的关系，为未来通信系统设计提供理论指导。
2023-06-01 cs.IT math.IT
Joint DOA and Frequency Estimation with Sub-Nyquist Sampling for More Sources than Sensors
在这封信中，我们应用以前的阵列接收机架构，采用时域欠采样技术，联合估计频率和到达方向（DOA）的窄带远场信号。在此，考虑更一般的情况，其中在子带中可以存在多于一个信号。建立了时空联合模型，分析了该模型的辨识性，并给出了可辨识的最大信号个数。我们还证明了Cramer-Rao界（CRB）低于采用Nyquist采样。仿真结果验证了该方法估计信源个数的能力。同时，仿真结果表明，我们的估计性能密切匹配的CRB，是优于更多的源比传感器，特别是当最小冗余阵列（MRA）。
2017-02-05 cs.IT math.IT
The Secure Storage Capacity of a DNA Wiretap Channel Model
在本文中，我们提出了一种策略，使基于DNA的数据存储信息理论上是安全的，通过使用窃听信道编码。这促使我们扩展Shomorony和Heckel（2021）的混洗采样信道模型，以包括窃听器。我们的主要结果是我们的DNA窃听通道模型，这是数据可以存储在一个池的DNA分子，以便可靠地检索由授权方（鲍勃）的最大速率的安全存储容量的表征，同时确保未经授权的一方（夏娃）从她的观察几乎没有得到任何信息。此外，我们的可扩展性证明表明，基于索引的窃听信道编码方案是最佳的。
2022-11-24 cs.IT math.IT
The DNA Storage Channel: Capacity and Error Probability
考虑DNA存储通道，其中包括每个码字的$M$脱氧核糖核酸（DNA）分子无顺序地存储，具有替换的采样$N$次数，然后在离散无记忆通道上测序。对于恒定的覆盖深度$M/N$和分子长度缩放$Θ(\log M)$，提供了通道容量的下限（可扩展性）和上限（逆），以及通道可靠性函数的下限（可扩展性）。容量的下限和上限都概括了先前已知仅适用于二进制对称测序通道的界限，并且仅在分子长度缩放和交叉概率参数的某些限制下。当被指定为二进制对称测序通道时，这些限制对于下限被完全去除，并且对于高噪声区域中的上限被显著放松。的可靠性函数的下限下实现一个通用的解码器，并揭示了占主导地位的错误事件是中断-事件中，由DNA分子采样操作引起的信道的容量不支持的目标速率。
2022-02-13 cs.IT math.IT
Sequential Joint Spectrum Sensing and Channel Estimation for Dynamic Spectrum Access
信道不确定性下的动态频谱接入。以最大化次用户吞吐量为目标，在主用户中断概率的约束下，提出了一个频谱感知和信道状态估计的联合问题。这个问题被投到一个顺序的框架，因为感测时间最小化是至关重要的吞吐量最大化。在最优解中，感知判决规则与信道估计器相耦合，使得感知和信道估计的单独处理严格地次优。使用这样的联合结构的频谱感知和信道估计，我们提出了一个分布式（合作）的动态频谱接入方案下的统计信道状态信息（CSI）。在所提出的方案中，SU通过电平触发采样向融合中心（FC）报告其足够的统计数据，电平触发采样是一种已知具有带宽和能量效率的非均匀采样技术。然后，FC使用本地统计和信道估计来进行顺序的频谱感知决策，并选择具有最佳传输机会的SU。所选择的SU使用感测决策及其信道估计来计算发射功率并开始数据传输。仿真结果表明，该方案显着优于其传统的同行，在相同的PU中断约束下，在可实现的SU吞吐量。
2014-01-22 cs.IT math.IT
Xampling: Compressed Sensing of Analog Signals
Department of Electrical Engineering, Technion, Haifa 32000, Israel（以色列海法理工学院电气工程系）
提出Xampling框架，通过模拟压缩和非线性检测将压缩感知推广到模拟信号的降速率采样，统一处理多种子空间联合信号。
2011-03-15 cs.IT cs.SY eess.SY
A New Upperbound for the Oblivious Transfer Capacity of Discrete Memoryless Channels
我们得到了一个新的上界的离散无记忆信道的字符串不经意传输容量。我们使用的主要工具是Prabhakaran和Prabhakaran（2014）中引入的一对随机变量的张力区域，它用于推导源模型中安全采样率的上限。本文研究了信道模型下字符串不经意传输的安全计算问题。我们的界限是基于在通道模型的张力区域的单调性。我们证明了我们的界严格改进了Ahlswede和Csiszár（2013）的上界。
2014-05-08 cs.CR cs.IT math.IT
Leveraging Channel Noise for Sampling and Privacy via Quantized Federated Langevin Monte Carlo
对于人工智能的工程应用，贝叶斯学习比标准频率论学习具有显著的优势，包括量化不确定性的能力。Langevin Monte Carlo（LMC）是一种有效的基于梯度的近似贝叶斯学习策略，其目的是从模型参数的后验分布中产生样本。先前的工作集中在通过模拟调制的多址无线信道上的LMC的分布式实现。相比之下，本文提出了量化联邦LMC（FLMC），它集成了一位随机量化的局部梯度与通道驱动的采样。随机驱动采样利用信道噪声来促进蒙特卡罗采样，同时也起到隐私机制的作用。模拟和数字实现的无线LMC比较作为一个功能的差分隐私（DP）的要求，揭示了后者在足够高的信噪比的优势。
2022-02-28 cs.IT eess.SP math.IT
Computing Capacity-Cost Functions for Continuous Channels in Wasserstein Space
本文研究连续信道的容量-代价函数计算问题，通过将Wasserstein距离引入Blahut-Arimoto算法的近端项，提出了一种基于Wasserstein梯度下降的迭代算法，并统一应用于率失真函数的计算。
2025-03-02 cs.IT eess.SP math.IT
