A general framework for compressed sensing and parallel MRI using annihilating filter based low-rank Hankel matrix
并行MRI(pMRI)和压缩感知MRI(CS-MRI)被认为是两个不同的重建问题。受最近的k空间插值方法的启发,提出了一种基于零化滤波器的低秩汉克尔矩阵方法(ALOHA)作为稀疏驱动的k空间插值方法的一般框架,该方法将pMRI和CS-MRI统一起来。具体来说,我们的框架是基于基本的对偶变换域稀疏性在主空间和低秩的加权Hankel矩阵在倒易空间,它转换pMRI和CS-MRI的k空间插值问题使用结构化矩阵完成。利用最新压缩感知文献的理论结果,我们证明了ALOHA所需的采样率可以达到最佳速率。单/多线圈成像以及动态成像的体内数据的实验结果证实,所提出的方法优于最先进的pMRI和CS-MRI。
2015-12-30 cs.IT math.IT
High Speed Compressed Sensing Reconstruction in Dynamic Parallel MRI Using Augmented Lagrangian and Parallel Processing
磁共振成像(MRI)是压缩感知理论被很好地利用以显著减少扫描时间从而导致更快成像或更高分辨率图像的领域之一。已经表明,整体测量的一小部分足以利用压缩感测和并行成像的组合来重建图像。已经提出了用于压缩感知的各种重建算法,其中基于增广拉格朗日的方法已经被证明对于许多不同的应用通常比其他方法表现得更好。在本文中,我们提出了新的增广拉格朗日为基础的解决方案的压缩感知重建问题的分析和综合前配方。我们还提出了一种计算方法,它利用属性的采样模式,显着提高重建的速度在笛卡尔采样MRI的算法。所提出的算法优于早期的方法,特别是对于动态MRI的情况下,传递函数往往是一个非常大的矩阵和显着病态。它也表明,所提出的算法可以加速得多,进一步比其他方法的情况下,与图形处理单元(GPU)的并行实现。
2012-03-20 cs.DS cs.IT math.IT
Oversampled Adaptive Sensing
我们开发了一个贝叶斯框架的传感,适应感测时间和/或基函数的瞬时感测质量测量的预期后验均方误差。对于稀疏高斯源,与非自适应感测相比,实现了平均感测时间和/或均方误差的显著减少。当压缩比为3、稀疏高斯源为10%、平均感知时间相等时,该方法在多项式时间复杂度的同时,比最优压缩感知的性能提高约2 dB,比非自适应3倍过采样正交感知的性能提高约3 dB,比基于LASSO的恢复方案的性能提高约6 ~ 7 dB。我们利用的是,在高斯噪声的存在下,条件的均方误差对当前的观察是成比例的导数的条件均值估计相对于这个观察。
2018-02-08 cs.IT math.IT
Data-aided Sensing for Gaussian Process Regression in IoT Systems
Deakin University(迪肯大学)
在本文中,有效的数据汇集与有限的带宽,数据辅助传感应用高斯过程回归,用于学习从物联网系统中的传感器收集的数据集。我们专注于插值的传感器的测量从少量的测量上传的一小部分传感器使用高斯过程回归与数据辅助传感。由于主动传感器的选择,它表明,高斯过程回归与数据辅助传感可以提供一个很好的估计一个完整的数据集相比,随机选择。与多通道ALOHA,数据辅助传感广义分布式选择上传时,传感器可以有反馈的预测,他们的测量,使每个传感器可以决定是否上传比较其测量与预测的。数值结果表明,修改后的多通道ALOHA预测,可以帮助提高性能的高斯过程回归与数据辅助感测相比,传统的多通道ALOHA等上传概率。
2020-11-23 cs.IT cs.LG math.IT
One-bit compressed sensing with partial Gaussian circulant matrices
在本文中,我们考虑无记忆的一位压缩感知随机子采样高斯循环矩阵。我们表明,在一个小的稀疏度制度和足够小的精度$δ$,$m\sim δ^{-4} s\log(N/sδ)$测量足以重建的任何$s$ -稀疏向量的方向,通过一个有效的程序的准确性$δ$。我们通过证明部分高斯循环矩阵满足$\ell_1/\ell_2$ RIP-性质得到这个结果。在对$δ$的依赖性稍差的情况下,我们建立了近似稀疏性的稳定性以及完整向量恢复结果。
2017-10-09 cs.IT math.IT math.PR
Polar Coding for Parallel Gaussian Channel
在本文中,我们提出了一个极化编码方案的并行高斯信道。编码器知道并行通道的总速率,但不知道任何通道的速率。利用Polar码的嵌套特性,设计了一种实现和速率的编解码方案。
2017-05-20 cs.IT math.IT
Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors
National University of Singapore(新加坡国立大学);Tencent(腾讯)
在1比特压缩感知中,每个测量被量化为单个比特,即未知向量的线性函数的符号,目标是准确地恢复向量。虽然最流行的是假设标准高斯感测矩阵用于1比特压缩感测,但是使用结构化感测矩阵(诸如部分高斯循环矩阵)由于其更快的矩阵运算而具有显著的实际重要性。在本文中,我们提供了一个基于相关性的鲁棒1位压缩感知的优化算法与随机签署的部分高斯循环矩阵和生成模型的恢复保证。在适当的假设下,我们匹配了以前只知道对i.i.d.~高斯矩阵,需要更多的计算。我们利用一个实用的迭代算法,并进行了数值实验上的图像数据集,以证实我们的理论结果。
2021-08-08 cs.IT cs.LG math.IT
Compressed Sensing from Phaseless Gaussian Measurements via Linear Programming in the Natural Parameter Space
我们考虑忠实地结合相位恢复与经典的压缩感知。受最近新的相位恢复公式PhaseMax的启发,我们提出并分析了SparsePhaseMax,一个线性规划的自然参数空间中的无相位压缩感知。我们确定,当提供有与任意$k$ -稀疏$n$ -向量相关的初始化时,SparsePhaseMax以高概率从$O(k \log \frac{n}{k})$幅度测量相对于i.i.d.高斯随机向量。我们对这一事实的证明利用了无相和1位压缩传感之间一个奇怪的新发现的联系。这是第一个结果,建立自举压缩感知无相位高斯测量下的最佳样本复杂度。
2017-03-03 cs.IT math.IT math.OC
On the Sensing Capacity of Gaussian "Beam-Pointing" Channels with Block Memory and Feedback
本文针对5G/6G高频通信中的高斯波束指向信道,研究其感知容量,提出通信与感知联合方案,利用动态规划推导感知容量上界和可达内界,并在Q=1时达到最优感知速率,揭示感知与通信的折衷。
2025-08-28 cs.IT math.IT
Distributed Binary Detection over Fading Channels: Cooperative and Parallel Architectures
研究了无线传感器网络中相关高斯感知噪声中已知信号的二进制分布式检测问题,其中传感器受限于使用似然比检验(LRT),并在受衰落和噪声影响的带宽受限信道上与融合中心(FC)通信.为了减轻传统的并行融合架构,其中传感器直接与FC通信遇到的衰落的恶化的影响,我们提出了新的融合架构,提高检测性能,通过收获合作增益(所谓的决策分集增益)。我们特别建议:(i)在传感器端采用Alamanti空时编码(STC)方案的协同融合结构,(ii)在传感器端采用信号融合的协同融合结构,(iii)在传感器端采用局部阈值变化的并行融合结构。对于这些计划,我们推导出的LRT和多数融合规则在FC,并提供上界均匀传感器的平均错误概率,受到不相关的高斯传感噪声,在通信和传感通道的信噪比(SNR)。我们的仿真结果表明,当FC采用LRT规则,除非低通信SNR和中/高感知SNR,性能改善是可行的新的融合架构。当FC利用多数规则时,这种改进是可能的,除非对于高感测SNR。
2016-01-19 cs.IT math.IT
Auto-Calibration and Biconvex Compressive Sensing with Applications to Parallel MRI
University of California Davis(加州大学戴维斯分校)
本研究将自动校准的并行压缩感知问题转化为凸优化问题,通过混合范数最小化同时恢复信号与感知参数,为pMRI重建提供有理论保证的稳健方法。
2025-10-28 cs.IT math.IT math.OC
Bernoulli-Gaussian Approximate Message-Passing Algorithm for Compressed Sensing with 1D-Finite-Difference Sparsity
提出了一种基于MMSE估计的一维有限差分稀疏压缩感知(CS)恢复的快速近似消息传递(AMP)算法。该算法(ssAMP-BGFD)具有计算量小、收敛速度快、每次迭代代价低的特点,其相位转换几乎接近最新技术水平。该算法源于和积消息传递规则,应用Bernoulli-Gaussian(BG)先验,寻求MMSE解。该算法的结构不仅包括传统的AMP技术的测量保真度,但也提出了一个简化的消息传递方法,以促进有限差分信号稀疏。此外,我们提供了一个EM调谐方法来学习BG先验参数,建议如何使用一些实际的测量矩阵满足RIP的要求下ssAMP-BGFD恢复。大量的实验结果证实了所提出的算法的性能,在相变,收敛速度和CPU运行时间,最近的算法相比。
2015-09-04 cs.IT math.IT
Deterministic-Random Tradeoff of Integrated Sensing and Communications in Gaussian Channels: A Rate-Distortion Perspective
集成传感和通信(ISAC)被认为是未来无线网络的关键技术。为了揭示ISAC系统的基本性能限制,本文从率失真的角度研究了矢量高斯信道下感知和通信(S&C)之间的确定性-随机权衡。我们将ISAC信号建模为携带信息的随机矩阵,其实现对于感测接收器是完全已知的,但对于通信接收器是未知的。我们描述了感知互信息条件下的随机ISAC信号,并表明它提供了一个普遍的下限失真度量的感知。此外,我们证明了失真下界最小化,如果样本协方差矩阵的ISAC信号是确定的。然后,我们提供我们的理解的主要结果,通过解释无线传感作为非合作源信道编码,并揭示了确定性随机权衡的S&C ISAC系统。最后,通过分析目标响应矩阵估计的具体实例,给出了失真界可拓性的充分条件。
2023-01-04 cs.IT eess.SP math.IT
Parallel Gaussian Channels Corrupted by Independent States With a State-Cognitive Helper
我们考虑一个状态相关的并行高斯信道,具有独立的状态和一个共同的认知助手,其中两个发射机希望通过两个并行的子信道发送独立的信息到它们相应的接收机。每个通道被独立的加性高斯态破坏。这些状态既不为发射机所知,也不为接收机所知,但以非因果的方式为辅助器所知。助手的目标是通过减轻状态来帮助可靠的通信。外部和内部边界推导和段的容量区域的特点是各种信道参数。
2018-10-28 cs.IT math.IT
On the Separability of Parallel Gaussian Interference Channels
本文研究了平行高斯干扰信道(PGIC)中的可分性。本文将Sung \emph{et al.}关于单侧PGIC(OPGIC)的可分性结果推广到双侧PGIC(TPGIC).具体来说,对于强和混合TPGIC,我们证明了分离的必要和充分条件。为此,我们证明了对角协方差矩阵是强混合TPGIC的和率最优。
2009-05-11 cs.IT math.IT
Reconstruction Error Bounds for Compressed Sensing under Poisson or Poisson-Gaussian Noise Using Variance Stabilization Transforms
大多数现有的从压缩测量的信号重建的界限假设的附加信号无关的噪声。然而,在许多压缩成像系统中,噪声统计由泊松或泊松-高斯噪声模型更准确地表示。在本文中,我们推导出上界的信号重建误差从压缩测量被破坏的泊松或泊松-高斯噪声。我们的界的特点如下:(1)给出了一个概率激励的,计算上易处理的凸估计量的界。该估计器惩罚信号稀疏性受到的约束,施加上界的方差稳定变换的基础上的一项近似的泊松或泊松-高斯负对数似然。(2)它们适用于稀疏以及可压缩的信号在任何正交基,并推导出压缩系统服从现实的约束,如非负性和通量保存。我们提出了广泛的数值计算结果下的信号重建不同数量的测量和不同的信号强度水平。
2018-02-12 cs.IT math.IT
Sensing Mutual Information with Random Signals in Gaussian Channels
本文针对高斯信道中随机信号的感知互信息,推导其闭式表达式,并利用流形优化设计预编码器,以提升集成感知与通信系统的感知性能。
2023-11-13 cs.IT eess.SP math.IT
Noisy-interference Sum-rate Capacity of Parallel Gaussian Interference Channels
并行高斯干扰信道的和速率容量是通过在子信道上独立传输并在每个子信道中将干扰视为噪声来实现的,如果信道系数和功率约束满足一定的条件。该条件要求干扰是弱的,这是通常在例如,数字用户线传输。最优功率分配的特点是使用的和速率容量作为功率约束的函数。
2009-03-03 cs.IT math.IT
Sensing Mutual Information with Random Signals in Gaussian Channels: Bridging Sensing and Communication Metrics
本文利用随机矩阵理论推导随机信号下感知互信息的显式表达式,建立其与传统感知度量的联系,并用于优化预编码,统一感知与通信性能度量。
2024-02-06 cs.IT eess.SP math.IT
Heuristic Sensing Schemes for Four-Target Detection in Time-Constrained Vector Poisson and Gaussian Channels
针对时间受限的向量 Poisson 与 Gaussian 四目标检测,本文比较多种和组合感知的时间分配,分析互信息、检测概率及 Bayes 风险的一致性与凹性,但不寻求最优方案。
2022-02-21 cs.IT eess.SP math.IT
D-OAMP: A Denoising-based Signal Recovery Algorithm for Compressed Sensing
近似消息传递(AMP)是压缩感知(CS)中一种有效的迭代信号恢复算法。对于具有独立同分布(i.i.d.)高斯项,AMP的行为可以渐近描述的标量递归称为状态演化。正交AMP(OAMP)是AMP的一种变体,它对去噪器施加了无发散约束。在本文中,我们将OAMP扩展到包含通用去噪器,因此命名为D-OAMP。我们的数值结果表明,状态演化预测的性能D-OAMP以及通用去噪时,i.i.d.涉及高斯或部分正交传感矩阵。我们比较了去噪-AMP(D-AMP)和D-OAMP从CS测量恢复自然图像的性能。仿真结果表明,D-OAMP算法在部分正交感知矩阵的收敛速度和恢复精度上都优于D-AMP算法。
2016-10-19 cs.IT math.IT
Joint Source-Channel Coding at the Application Layer for Parallel Gaussian Sources
本文研究了独立并行高斯信源在二进制删除广播信道上的多播问题。多分辨率嵌入量化器和分层联合信源-信道编码方案的使用,以同时服务于多个用户在不同的信道容量。率失真函数的凸性质,通过反向注水计算,使我们能够解决相应的凸优化问题,对应于不同的性能标准。然后,分层联合信源信道编码的基础上级联的嵌入式标量量化器与二进制无比率编码器的构造。
2009-01-16 cs.IT math.IT
Energy Concealment based Compressive Sensing Encryption for Perfect Secrecy for IoT
最近的研究表明,在资源受限的物联网设备中使用高斯或二项式传感矩阵的基于压缩感知(CS)的计算安全方案容易受到仅密文攻击。虽然基于CS的完全安全方案没有这样的漏洞,但完全安全方案的实际实现是具有挑战性的,因为它需要额外的安全信道来传输测量范数。在本文中,我们通过隐藏能量设计了一个完全安全方案的实际实现,其中消除了对额外安全信道的要求。由于高斯感测矩阵的生成在资源受限的IoT设备中是不可行的,因此使用线性反馈移位寄存器来生成近似高斯感测矩阵。我们还证明了所提出的完全安全的方案在实践中的实施的可行性,而不增加复杂性。此外,所提出的方案的安全性分析,并与最先进的压缩感知的能量混淆方案进行了比较。
2020-11-11 cs.CR cs.IT math.IT
Universal Polar Coding for Parallel Gaussian Channels with Non-Binary Inputs and Its Applications to HARQ and MIMO
在本文中,我们首先提出了一个通用的极化编码方案的并行高斯信道与非二进制输入。假设编码器只知道M个并行信道的总容量,而不知道任何单个信道的容量。通过将每个并行信道分解为T = [log2r]个子信道,我们因此获得MT二进制子信道。然后提出了一种跨所有子信道的超极化编码方案。当块长度足够大时,该方案可以实现总容量。我们还讨论了并行极化编码设计在HARQ和MIMO系统中的应用。它示出了一个容量实现HARQ方案可以获得块衰落信道和容量实现MIMO设计,只需要反馈的总和速率的所有MIMO层也可以获得。
2022-06-02 cs.IT math.IT
Analyzing Cross Validation In Compressed Sensing With Mixed Gaussian And Impulse Measurement Noise With L1 Errors
压缩感测(CS)涉及以低于其奈奎斯特速率的速率对信号进行采样,并尝试在采样采集之后重构它们。大多数这样的算法都有参数,例如LASSO中的正则化参数,需要仔细选择以获得最佳性能。这些参数可以基于对噪声水平或信号稀疏性的假设来选择,但是这种知识通常是不可用的。在这种情况下,交叉验证(CV)可以用于以纯粹的数据驱动方式选择这些参数。以前的工作分析使用的CV在CS一直是基于$\ell_2$交叉验证误差与高斯测量噪声。但众所周知,$\ell_2$误差对脉冲噪声不鲁棒,并且提供了对恢复误差的差的估计,未能选择最佳参数。这里,我们建议使用$\ell_1$ CV误差,其在给定脉冲测量噪声的情况下提供实质性的性能益处。最重要的是,我们提供了一个详细的理论分析和误差范围的使用$\ell_1$ CV错误CS重建。我们表明,以高概率,选择产生最小$\ell_1$ CV误差的参数相当于选择最小的恢复误差(这在实践中是不可观察的)。据我们所知,这是第一篇从理论上分析CS中基于$\ell_1$的CV的论文。
2021-02-19 cs.IT math.IT
Distributed Detection over Gaussian Multiple Access Channels with Constant Modulus Signaling
考虑了传感器在高斯多址信道上传输恒模信号的分布式检测方案。该方案的偏转系数取决于传感噪声的特征函数,并利用大偏差理论推导出系统的误差指数。偏转系数和误差指数的优化被认为是相对于传输相位参数的各种传感噪声分布,包括脉冲的。与现有的放大转发和检测转发方案相比,该方案也是有利的。衰落的影响被证明是有害的检测性能,通过减少的偏转系数取决于衰落的统计。仿真结果证实,偏转系数和误差指数可以有效地用于优化各种传感噪声分布的错误概率。
2010-11-12 cs.IT math.IT
Sum-Capacity and the Unique Separability of the Parallel Gaussian MAC-Z-BC Network
已知的是并行的容量(例如,多载波)高斯点对点、多址和广播信道可以通过对每个子信道(载波)进行单独编码来实现,其中每个子信道(载波)受到跨载波的功率分配的影响。最近的结果表明,并行干扰信道是不可分离的,即,通常需要联合编码来实现容量。本文从容量和的角度研究了具有独立消息和任意数量的发送器和接收器的单跳高斯干扰网络的可分性。主要结果是,从总容量的角度来看,总是(对于信道系数的所有值)可分离的唯一网络是MAC-Z-BC网络,即,其中MAC组件和BC组件通过Z组件链接的网络。该网络的总容量的明确特征。
2010-01-23 cs.IT math.IT
On MMSE Properties and I-MMSE Implications in Parallel MIMO Gaussian Channels
标量加性高斯噪声信道具有在给定信道输出的输入估计中的最小均方误差(MMSE)(假设对信道的高斯输入)与假设任意输入的MMSE之间的“单交叉点”属性。本文分三个阶段将结果推广到并行MIMO加性高斯信道:i)信道矩阵是单位矩阵,我们将高斯输入限制为高斯i.i.d.向量;元素“单交叉点”属性是相对于标量的(如标量的情况)。ii)信道矩阵是任意的,高斯输入限于独立的高斯输入。对于MMSE矩阵的每个对角元素,导出“单交叉点”属性。iii)允许高斯输入是任意高斯随机向量。一个“单一的交叉点”的属性推导出每个MMSE矩阵的特征值。这三个扩展,然后被翻译成新的信息论性质的互信息,使用估计理论和信息论之间的基本关系。最后一个阶段的结果也被转化为Fisher信息的一个新的属性。最后,所有三个扩展的信息论问题的适用性证明:香农的向量EPI的一个特殊情况下,证明的容量区域的并行退化MIMO广播信道(BC)下每天线功率约束和协方差约束下的逆证明,和协方差约束下的复合并行退化MIMO BC的容量区域的逆证明。
2012-03-26 cs.IT math.IT
Gaussian Belief Space Path Planning for Minimum Sensing Navigation
University of Texas at Austin(德克萨斯大学奥斯汀分校);Tokyo Institute of Technology(东京工业大学)
我们提出了一种路径规划方法的移动机器人导航通过充满障碍的环境中产生一个参考路径是可追溯的适度的传感努力。所需的参考路径的特点是在一个充满障碍的高斯信念流形配备了一个新的信息几何距离函数的最短路径。我们引入的距离函数被证明是一个非对称的准伪度量,可以被解释为引导高斯信念所需的最小信息增益。提出了一种基于RRT * 的数值求解算法来求解最短路径问题。为了深入了解所提出的算法的渐近最优性,我们考虑的路径长度函数是连续的拓扑结构的总变分。仿真结果表明,所提出的方法是有效的,在各种机器人导航方案,以减少传感器的成本,如所需的频率的传感器测量和必须同时操作的传感器的数量。
2022-12-07 cs.IT cs.RO math.IT
Gaussian Data-aided Sensing with Multichannel Random Access and Model Selection
在本文中,我们研究了数据辅助传感(DAS)的系统组成的基站(BS)和一些节点,其中BS成为一个接收器,收集测量或数据集分布在一个小区的节点。DAS是允许BS有效地估计目标信号(即,所有节点的测量),具有少量的测量(与随机轮询相比)。在DAS中,基于在BS处已经可从先前回合获得的数据集,在每一回合中选择一组节点以用于高效的数据汇集。我们认为DAS的测量是相关的高斯本文。所得到的DAS被称为高斯DAS。使用均方误差(MSE)准则,在每一轮中,BS能够选择具有数据集的节点以最小化下一轮的MSE。此外,我们以两种不同的方式推广高斯DAS:i)具有多个并行通道,使用随机访问从节点上传测量值; ii)具有模型选择,其中多臂强盗问题公式用于将模型选择与DAS相结合。
2019-12-04 cs.IT eess.SP math.IT
Do log factors matter? On optimal wavelet approximation and the foundations of compressed sensing
压缩感知中的一个签名结果是高斯随机采样在测量数量的最佳条件下实现了稀疏向量的稳定和鲁棒恢复。然而,在图像重建的上下文中,已经有大量文献证明,基于傅立叶测量的采样策略优于这种据称是最佳的方法。基于这一看似矛盾的问题,我们研究了压缩感知的最优采样问题。严格结合小波逼近和无限维压缩感知理论,我们的分析导致新的误差界的测量总数$m$分段$α$-Hölder函数的近似。我们的理论研究结果表明,傅立叶采样优于随机高斯采样时,霍德尔指数$α$是足够大的。此外,我们建立了一个可证明的最优抽样策略。这项工作是解决所声称的悖论的重要的第一步,并提供了一个明确的理论依据,压缩传感技术在成像问题中的实际成功。
2021-01-25 cs.IT math.IT
Sensing Method for Two-Target Detection in Time-Constrained Vector Gaussian Channel
针对固定单位协方差的向量高斯信道,研究在总时间约束下通过线性变换寻找最优缩放矩阵,以同时优化互信息与MAP检测,发现两者给出不同最优解,并用Monte Carlo方法完成计算。
2022-02-05 cs.IT eess.SP math.IT
Indistinguishability and Energy Sensitivity of Asymptotically Gaussian Compressed Encryption
压缩感知(CS)的原理可以通过提供安全性的概念应用于密码系统。在信息论意义上,已知基于CS的密码系统可以是完全安全的,如果它采用在每次加密时更新的随机高斯感知矩阵,并且其明文具有恒定的能量。在本文中,我们提出了一个新的CS为基础的密码系统,采用了一个秘密的双极密钥流和一个公共酉矩阵,它可以通过生成和更新的密钥流在一个快速和有效的方式,适合于实际的实施。我们证明了传感矩阵是渐近高斯足够大的明文长度,这保证了一个可靠的CS解密合法的收件人。通过概率度量,我们还表明,新的CS为基础的密码系统可以对对手的不可否认性,只要密钥流更新在每次加密和每个明文具有恒定的能量。最后,我们研究了新的基于CS的密码系统的安全性是如何敏感的明文的能量变化。
2017-09-18 cs.IT math.IT
Robust Sensing of Low-Rank Matrices with Non-Orthogonal Sparse Decomposition
针对具有非正交稀疏秩1分解的低秩矩阵恢复问题,提出一种可通过交替最小化求解的变分公式,证明其全局最优解的逼近精度,并推导多类测量下的重构保证,数值实验验证了理论有效性。
2023-06-12 cs.IT math.IT
New Algorithms and Improved Guarantees for One-Bit Compressed Sensing on Manifolds
我们研究的问题近似恢复信号的流形上从一位线性测量得出的高斯系综,部分循环系综,或有界正交系综和量化使用西格玛-德尔塔或分布式噪声整形方案。我们假设我们给出了一个几何多分辨率分析,它近似的流形,我们提出了一个凸优化算法的信号恢复。我们证明了一个上限的恢复误差优于以前的作品,使用无记忆标量量化,需要一个更简单的分析,并扩展类的测量超出高斯。最后,我们用数值实验来说明我们的结果。
2019-04-24 cs.IT math.IT
Robust Cooperative Spectrum Sensing Scheduling Optimization in Multi-Channel Dynamic Spectrum Access Networks
动态频谱接入(DSA)使得次级网络能够发现并有效地利用频谱机会。DSA网络设计的一个关键因素是多用户多信道的频谱感知算法。多用户协作信道感知减少了感知时间,从而提高了传输吞吐量。然而,在多信道系统中,问题变得更加复杂,因为还必须考虑将用户分配到并行感测信道的益处。因此,必须创建向每个用户指示其应当在不同感测时刻感测的信道的感测调度,以优化系统性能。在本文中,我们制定了一般的传感调度优化问题,然后提出了几种传感策略,根据网络参数的同类传感器的用户进行调度。稍后,我们将结果扩展到异构传感器,并提出了一个强大的调度设计时,我们有流量和信道的不确定性。我们提出了三个感测策略,并在每一个,几个解决方案,达到吞吐量性能和计算复杂性之间的平衡,提出。此外,我们表明,一个顺序的信道感知策略是一个首选时,感知时间是小的,信道的数量是大的,和用户的数量是小的。对于所有其他情况下,建议在吞吐量性能方面采用并行信道检测策略。我们还表明,提出的混合顺序并行信道检测策略在所有情况下,以额外的内存和计算复杂度为代价,实现了最佳性能。
2015-05-19 cs.IT math.IT math.OC
Robust iterative hard thresholding for compressed sensing
压缩感知(CS)或稀疏信号重构(SSR)是一种信号处理技术,它利用了采集的数据可以在某种基础上具有稀疏表示的事实。重建或近似未知稀疏信号的一种流行技术是迭代硬阈值(IHT),然而,在非高斯噪声条件下或面对离群值(粗差)时,该技术的性能非常差。在本文中,我们提出了一个强大的IHT方法的基础上的思想,从$M$估计,估计稀疏信号和规模的误差分布的同时。在高斯噪声下,该方法与IHT相比具有可忽略的性能损失,但在重尾非高斯噪声条件下具有更好的性能。
2014-05-07 cs.IT math.IT stat.AP
Sigma-Delta quantization of sub-Gaussian frame expansions and its application to compressed sensing
研究通过Sigma-Delta方案对子高斯框架展开进行量化,实现信号在高采样率下高效恢复,扩展了确定性框架和高斯压缩感知的结果。
2013-06-19 cs.IT cs.NA math.IT
On MMSE Properties and I-MMSE Implications in Parallel MIMO Gaussian Channels
本文将由Guo,Shamai和Verdú(首次在ISIT 2008中提出)导出的标量MMSE函数的“单交叉点”属性扩展到并行降级MIMO场景。它表明,矩阵Q(t),这是假设一个高斯输入的MMSE和假设一个任意输入的MMSE之间的差异,有,最多,一个单一的交叉点,其每个特征值。连同I-MMSE关系,信息论和估计理论之间的基本联系,这个新的属性是用来推导信息论的结果。作为这个属性的一个简单的应用程序,我们提供了一个替代的逆证明广播信道(BC)容量区域的协方差约束下,在这个特定的设置。
2010-04-26 cs.IT math.IT
Compressed Sensing Channel Estimation for OFDM with non-Gaussian Multipath Gains
分析了非高斯多径分量(MPC)幅度分布对OFDM系统压缩感知(CS)信道估计器性能的影响。任何CS算法需要估计以准确地表示信道的主导MPC的数量的特征。该数字涉及信道的可压缩性指数(CI),其取决于MPC幅度分布的四阶矩。任何CS估计算法的均方误差(MSE)和MPC幅度分布四阶矩之间的连接被揭示,当这些组件具有大的四阶矩幅度增益时,需要较少数量的MPC来很好地估计信道。通过对具有对数正态MPC的信道(例如,纽约大学毫米波信道模型)的模拟来验证分析结果。这些仿真结果表明,当MPC幅度分布具有高的四阶矩时,众所周知的正交匹配追踪CS算法的性能几乎与基追踪去噪算法相同,但计算成本要低得多。
2020-02-20 cs.IT eess.SP math.IT
Non-Gaussian Hyperplane Tessellations and Robust One-Bit Compressed Sensing
我们表明,由少量的随机仿射超平面生成的镶嵌可以用来近似任意有界集$T$中任意两点之间的欧氏距离,其中随机超平面由亚高斯或重尾法向量和均匀分布的移位生成。我们推导出定量界的超平面的数量需要构建这样的镶嵌在自然度量复杂性措施的$T$和所需的近似误差。我们的工作在这个方向上显着扩展以前的结果,这是有限的高斯超平面镶嵌的子集的欧几里德单位球。作为应用,我们在非高斯测量矩阵的无记忆一位压缩感知中获得了新的重构结果。我们表明,通过在均匀分布的阈值量化,它是可以准确地重建低复杂度的信号,从少量的一位量化测量,即使测量矢量是从一个重尾分布。我们的重建结果是统一的性质和鲁棒性的存在下的预量化噪声的模拟测量,以及对抗性的比特损坏的量化过程中。此外,我们表明,如果测量矩阵是亚高斯,那么准确的恢复可以通过一个凸规划实现。
2018-08-13 cs.IT math.IT math.PR
On the Fundamental Tradeoff of Integrated Sensing and Communications Under Gaussian Channels
本文研究向量高斯信道点对点ISAC的根本性能折中,以CRB-rate region刻画两个角点并给出容量、界及实现策略,揭示ST与DRT双重折中。
2023-06-07 cs.IT math.IT
Compressed Sensing and Parallel Acquisition
本研究将压缩感知与并行采集结合,提出统一理论框架,证明在适当条件下每传感器所需测量数随传感器总数线性减少,并针对不同/相同采样及层级稀疏模型给出更广泛的最优恢复保证,数值实验验证了相变现象。
2016-12-17 cs.IT math.FA math.IT
A robust parallel algorithm for combinatorial compressed sensing
University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
本文提出鲁棒-ℓ0解码算法,用于在存在加性噪声时恢复稀疏信号,通过近似后验分布提升鲁棒性,并在高斯信号和噪声下优于现有算法。
2017-04-28 cs.IT cs.NA math.IT
On the Optimality of Treating Interference as Noise for $K$ user Parallel Gaussian Interference Networks
Geng等人最近已经表明,在$K$用户高斯干扰网络中,如果对于每个用户,期望信号强度不小于来自该用户的最强干扰和对该用户的最强干扰的强度之和,则(所有信号强度均以dB刻度测量),则功率控制和将干扰视为噪声(TIN)足以实现整个广义自由度(GDoF)区域。出于Avestimehr等人的确定性模型(ADT确定性模型)特别适合探索TIN的最优性的直觉,Geng等人的结果首先在ADT确定性模型下重新访问,并被证明可以直接转换高斯和确定性设置。接下来,我们专注于这些结果的扩展到并行干扰网络,从总和容量/总和GDoF的角度来看。为此,我们解释了显式表征的总和容量/总和GDoF的TIN最优网络(没有并行通道)作为一个最小加权匹配问题,在组合优化,并获得一个简单的表征方面的分区的干扰网络顶点不相交的循环。借助于循环划分的见解,$K$用户并行干扰网络的TIN的总容量最优性的特征在于ADT确定性模型,最终导致相应的高斯设置的GDOF结果。在这两种情况下,在轻微的可逆性条件下,TIN的最优性以可分离的方式扩展到并行网络。
2014-01-13 cs.IT math.IT
A Superposition Signaling Scheme for Integrated Sensing and Communication
Eindhoven University of Technology(埃因霍温理工大学);Technical University of Berlin(柏林工业大学)
研究集成感知与通信系统容量,以发射信号集成旁瓣电平为输入代价,简化为特定信道容量问题。提出叠加两个极值输入的信号策略,其速率可精确表达,数值结果显示该策略与容量最坏情况差距约0.043比特。
2026-07-15 cs.IT math.IT
A New Achievable Rate for the Gaussian Parallel Relay Channel
Schein和Gallager在2000年引入了高斯并行中继信道。他们提出了放大和转发(AF)和解码和转发(DF)策略。长期以来,该信道的最佳已知可实现速率是基于具有分时的AF和DF(AF-DF)。最近,提出了一种用于其中可以将不同量的带宽分配给第一跳和第二跳的场景的重匹配转发(RF)方案。在本文中,我们提出了一个\emph{Combined Amplify-and-Decode Forward (CADF)}方案的高斯并行中继信道。我们证明了CADF方案总是提供了一个更好的可实现的速率相比,RF方案,当有一个第一跳和第二跳之间的带宽不匹配。此外,对于相等带宽的情况下(Schein的设置),我们表明,之间的分时的CADF和DF计划(CADF-DF)导致一个更好的可实现的速率相比,分时之间的RF和DF计划(RF-DF)以及AF-DF。
2009-02-10 cs.IT math.IT
Moment-based Spectrum Sensing Under Generalized Noise Channels
提出了一种新的频谱感知检测器,并对其在广义噪声信道下的性能进行了分析研究。特别地,McLeish分布被用于对潜在噪声进行建模,其适用于非高斯(脉冲)以及经典高斯噪声建模。所引入的检测器采用基于矩的方法,而不需要知道发射信号和信道衰落统计(即,盲检测)。重要的性能指标,如虚警概率,检测概率和决策阈值的封闭形式。分析和仿真结果进行交叉比较验证所提出的方法的准确性。最后,它表明,所提出的方法优于传统的能量检测器在实际情况下的噪声不确定性,但引入了一个可比的计算复杂性。
2020-09-09 cs.IT math.IT
Dequantizing Compressed Sensing: When Oversampling and Non-Gaussian Constraints Combine
在本文中,我们研究的问题,恢复稀疏或可压缩的信号从均匀量化的测量。我们提出了一类新的凸优化程序,或解码器,创造了基追踪去量化器的时刻$p$(BPDQ $_p$),模型的量化失真更忠实于常用的基追踪去噪(BPDN)程序。我们的解码器通过最小化要重建的信号的稀疏性来进行,所述信号受到在$2\leq p\leq \infty$的残差的$\ell_p$范数中表示的数据保真度约束。我们从理论上表明,(i)这些新的解码器的重建误差是有界的,如果感测矩阵满足扩展的限制等距属性涉及的$\ell_p$规范,和(ii),高斯随机矩阵和均匀量化的测量,BPDQ $_p$性能超过BPDN的重建误差除以由于量化由$\sqrt{p+1}$。当测量的数量超过随着$p$增长的值时,即在与BPDN = BPDQ $_2$通常所需的情况相比过采样的情况下,最后一种效果以高概率发生。为了证明BPDQ $_p$的理论力量,我们报告信号和图像重建问题的数值模拟。
2010-06-22 cs.IT math.IT math.OC
Integrated Communication and Receiver Sensing with Security Constraints on Message and State
针对ISAC场景下消息与状态需同时对窃听者保密的状态依赖窃听信道问题,提出新的可达性结果,可涵盖已有两类场景的最优结果,并通过高斯示例分析不同保密约束的影响。
2023-03-12 cs.IT math.IT
A Tight Upper Bound on the Second-Order Coding Rate of the Parallel Gaussian Channel with Feedback
本文研究了带反馈的并行高斯信道中定长码的最大速率的渐近展开式,条件是:每个发送码字都有峰值功率约束,且译码消息的平均错误概率随着块长的增加而不为零。众所周知,反馈的存在不会增加信道的一阶渐近性,即,容量,在渐近展开,和封闭形式的表达的能力,可以得到众所周知的注水算法。本文的主要贡献是一个独立的证明上界的二阶渐近的并行高斯信道的反馈。的证明技术涉及开发一个信息谱界,然后使用柯蒂斯定理,以表明,一个与信息谱界相关的随机变量的总和收敛于分布的独立随机变量的总和,从而方便使用通常的中心极限定理。结合已有的可解性结果,我们的结果表明反馈的存在并不能改善二阶渐近性。
2017-07-08 cs.IT math.IT
Upper Bounds on the Capacity of 2-Layer $N$-Relay Symmetric Gaussian Network
高斯并行中继网络是Schein和Gallager提出的,其中两个并行中继帮助源向目的地传递信息。通过考虑源和中继之间的广播切割和中继和目的地之间的多址接入切割,可以得到上界的容量。Niesen和Diggavi通过考虑所有其他可能的切割推导出高斯并行$N$ -中继网络的上界,并示出了一种可扩展性方案,该方案可以在不同的信道增益状态下获得接近上界的速率,从而建立近似的容量。在本文中,我们考虑对称分层高斯中继网络中,可以有许多层的并行中继。两个相邻层之间的沟道的沟道增益是对称的(相同的)。每层中的中继向下一层中的中继广播信息。对于2层$N$ -中继高斯网络,给出了其容量的上界.我们的分析表明,对于上界,联合优化相关系数是没有必要获得更强的结果。
2016-04-12 cs.IT math.IT
Multivariate Copula Spatial Dependency in One Bit Compressed Sensing
在这封信中,稀疏信号重建的问题,从一位压缩感知测量的研究。为了解决这个问题,变分贝叶斯框架与一个新的统计多元模型。小波分解系数的依赖性建模与多元高斯copula。该模型可以将系数的边缘结构与其尺度内依赖性分离。特别地,提出了可绘制的Gaussian vine copula多元双Lomax模型.利用变分贝叶斯算法可以计算所有未知参数和稀疏信号后验的封闭形式,得到重构信号。数值结果表明,所提出的模型和算法的有效性相比,在文献中的竞争方法。
2017-11-25 cs.IT eess.SP math.IT
On the Effect of Pulse Shaping Filters in Zak-OTFS Waveform for Radar Sensing
Indian Institute of Science, Bangalore(印度科学研究所班加罗尔分校)
本文研究Zak-OTFS雷达波形中不同脉冲成形滤波器(sinc、高斯-辛格滤波器)对自模糊函数的影响,发现sinc和GS滤波器主瓣更窄,在多目标密集场景下分辨率更高,而高斯滤波器旁瓣更低,在稀疏场景下性能更好;当采用干扰抑制接收机时,sinc和GS滤波器在两种场景下均优于高斯滤波器。
2026-05-28 cs.IT eess.SP math.IT