Estimating Sparse Signals Using Integrated Wideband Dictionaries
在本文中,我们介绍了一个宽带字典框架估计稀疏信号。通过制定跨越所考虑的参数空间的频带的集成字典元素,可以有效地找到并丢弃在信号中不活跃的参数空间的大部分。在每次迭代之后,字典的零值部分可以被丢弃以允许围绕活动元素形成细化的字典,从而导致在随后的迭代中使用缩放的字典。与直接形成跨越整个参数空间的较大字典或使用标准字典元素执行缩放过程相比,实现该方案允许以低得多的计算成本进行更准确的估计。与传统字典不同,宽带字典允许使用具有比可用样本的数量更少的元素的字典,而不损失分辨率。该技术可用于一维和多维信号,并可用于完善几个传统的稀疏估计,在这里示出的LASSO和SPICE估计。数值例子说明了改进的性能。
2017-10-15 cs.IT math.IT stat.ME
Sparse Bayesian learning with uncertainty models and multiple dictionaries
稀疏贝叶斯学习(SBL)已经成为一种快速和有竞争力的方法来执行稀疏处理。SBL算法,这是使用贝叶斯框架开发的,近似地解决了非凸优化问题,使用固定点更新。它提供了相当的性能,并且比稀疏处理中使用的凸优化技术快得多。我们提出了一个信号模型,占字典不匹配和存在的错误,在低信噪比的权重向量。推导了一个包含失配和加权误差统计量的定点更新方程。我们还处理来自多个字典的观察结果。使用随机极大似然估计噪声方差。推导出的更新方程进行了定量研究,使用波束成形模拟应用于到达方向(DoA)。使用单频和多频观测,并在混叠的存在下,SBL的性能进行评估。SwellEx-96实验数据定性地证明了SBL的优点。
2017-06-26 cs.IT math.IT stat.AP
Uncertainty Relations and Sparse Signal Recovery for Pairs of General Signal Sets
我们提出了一个不确定性关系表示的信号在两个不同的一般(可能是冗余或不完整的)信号集。这种不确定性关系是相关的分析信号包含两个不同的功能,其中每一个可以描述稀疏在一个合适的一般信号集。此外,新的不确定性关系,导致改善稀疏阈值恢复的信号稀疏在一般字典。具体来说,我们的研究结果提高了著名的$(1+1/d)/2$阈值的字典一致性$d$的一个因素。此外,我们提供了概率恢复保证对一般字典,也使我们能够了解一个一般字典的哪些部分需要随机化,以“淘汰”的稀疏模式,禁止打破平方根瓶颈。
2011-02-02 cs.IT math.IT
Signal Space CoSaMP for Sparse Recovery with Redundant Dictionaries
压缩感知(CS)最近已经成为一个强大的框架,用于获取稀疏信号。CS文献的大部分集中在所获取的信号在正交基中具有稀疏或可压缩表示的情况。然而,在实践中,有许多信号不能使用正交基稀疏表示或近似,但在冗余字典中具有稀疏表示。CS中的标准结果有时可以扩展到处理这种情况,只要字典足够不连贯或条件良好,但这些方法无法解决真正冗余或过完备字典的情况。在本文中,我们描述了一个变种的迭代恢复算法CoSaMP这个更具挑战性的设置。我们利用D-RIP,传感矩阵的条件类似于著名的限制等距属性。与以前的工作相比,该方法和分析是“以信号为中心”的,也就是说,它们是面向恢复信号,而不是其字典系数。假设我们有一个接近最佳的计划,在信号空间中的向量投影到候选稀疏信号的模型家庭,我们提供可证明的恢复保证。开发一个实用的算法,可以证明计算所需的接近最佳的预测仍然是一个重要的开放的问题,但我们包括模拟结果,使用各种经验表现出优越的性能,以传统的恢复算法。
2013-06-21 cs.IT math.IT
Continuous dictionaries meet low-rank tensor approximations
在这篇简短的论文中,我们桥接了两个看似无关的稀疏近似主题:连续稀疏编码和低秩近似。我们表明,对于一个特定的连续字典的选择,线性系统与核范数正则化有相同的解决方案作为一个BLASSO问题。虽然这一事实已经部分理解的矩阵的情况下,我们进一步表明,张量数据,使用BLASSO求解器的低秩近似问题导致一个新的分支的优化方法,但大大未开发。特别是,建议弗兰克-沃尔夫算法展示了一个自动张量秩选择问题。
2020-09-14 cs.IT math.IT
A General Framework for the Design and Analysis of Sparse FIR Linear Equalizers
线性有限脉冲响应(FIR)均衡器的复杂度与滤波器中非零抽头数的平方成正比。这使得使用迫零或最小均方误差(MMSE)滤波器的具有长脉冲响应的信道的均衡在计算上昂贵。稀疏均衡是解决这个问题的一种广泛使用的技术。在本文中,提供了一个通用的框架,将稀疏线性均衡器(LE)的设计问题转化为一个向量在不同字典中的最稀疏逼近问题。此外,在这个框架中的稀疏字典的一些可能的选择进行了讨论。此外,最坏情况下的一致性,这些字典,这决定了他们的稀疏化强度,分析和/或数值评估。最后,通过数值实验验证了所提出的稀疏FIR LE设计框架的有效性。
2015-11-22 cs.IT math.IT
Analyzing sparse dictionaries for online learning with kernels
Institut Charles Delaunay (CNRS)(夏尔·德拉诺研究所(法国国家科学研究中心));Université de technologie de Troyes(特鲁瓦技术大学)
本文针对核方法在线学习中的稀疏字典问题,基于四种主流稀疏性度量开展分析,通过特征值分析揭示其共有性质,并证明参数空间与字典诱导特征空间存在拟等距关系,为核在线学习的稀疏字典构建提供理论支撑。
2014-09-21 cs.CV cs.IT cs.LG
Design and Analysis Framework for Sparse FIR Channel Shortening
宽带通信中的主要性能和复杂性限制是长信道延迟扩展,其导致高频率选择性信道频率响应。信道缩短均衡器(CSE)用于确保长信道脉冲响应(CIR)和CSE的级联近似等于具有短得多的延迟扩展的目标脉冲响应(TIR)。在本文中,我们提出了一个通用的框架,将稀疏CSE和TIR有限脉冲响应(FIR)滤波器的设计问题转化为不同字典中的向量的稀疏近似问题。此外,我们比较了在这个框架下的稀疏化字典的几种选择。此外,这些字典的最坏情况下的一致性,这决定了他们的稀疏化的有效性,分析和/或数值评估。最后,通过数值实验验证了所提出的稀疏CSE和TIR滤波器设计框架的有效性。
2016-03-01 cs.IT math.IT
Recovery of Sparsely Corrupted Signals
我们研究了在一般情况下(即,可能是冗余的或不完整的)字典,该字典被允许另一个通用字典中的稀疏表示的加性噪声破坏。这种设置覆盖了广泛的应用,例如图像修补、超分辨率、信号分离和被例如以下损害的信号的恢复:削波、脉冲噪声或窄带干扰。我们提出了一种新的不确定性关系的基础上对一般字典的确定性恢复保证,我们提供了相应的切实可行的恢复算法。我们发现的恢复保证取决于信号和噪声稀疏水平,所涉及的字典的相干参数,以及关于信号和噪声支持集的先验知识的量。
2011-12-07 cs.IT math.IT
Deriving RIP sensing matrices for sparsifying dictionaries
压缩感测涉及映射$SD \in \mathbb{R}^{m \times n}$的反演,其中$m < n$、$S$是感测矩阵,并且$D$是稀疏化字典。限制等距属性是一个强大的充分条件的反演,保证恢复高维稀疏向量从他们的低维嵌入到欧几里德空间通过凸优化。然而,确定$SD$是否具有针对给定稀疏化字典的受限等距属性是NP难问题,阻碍了压缩感知的应用。本文提供了一种新的方法来解决这个问题。我们证明,它是可能的,以获得一个传感矩阵的任何稀疏字典保留限制等距属性的概率很高。在K-SVD,Parseval K-SVD和小波的传感矩阵的数值实验中,我们的恢复性能与使用高斯和伯努利稀疏向量随机传感矩阵获得的基准相当。
2022-07-12 cs.IT math.IT
Support Recovery of Periodic Mixtures with Nested Periodic Dictionaries
本文研究了周期混合物在嵌套周期字典中的稀疏表示支撑恢复,提出了基于嵌套周期相干性和受限相干性的精确恢复条件,并通过正交匹配追踪在噪声环境下改进支撑恢复,显著扩大了稀疏度可达范围。
2024-06-04 cs.IT eess.SP math.IT
Greedy Signal Space Recovery Algorithm with Overcomplete Dictionaries in Compressive Sensing
压缩感知(CS)是一种新的模式,有效地获取信号,具有稀疏表示在某一领域。传统上,CS提供了许多方法用于在正交基上的信号恢复。然而,现代应用程序已经引发了相关方法的出现,信号不是稀疏的正交基,但在一些任意的,也许是高度过完备的,字典,特别是由于他们的潜力,以产生不同种类的稀疏表示的信号。为此,我们应用信号空间贪婪方法,它依赖于最佳地将信号投影到少量字典原子上的能力,以解决这种设置中的信号恢复问题。我们描述了一个广义的迭代恢复算法称为信号空间子空间追踪(SSSP),这个更具挑战性的设置。在这里,使用字典限制等距属性(D-RIP),而不是经典的RIP,我们推导出所需的测量次数的下限,然后提供算法的收敛性证明。该算法在有噪声和无噪声测量中具有低的计算复杂性,并提供高的恢复精度。仿真结果表明,该算法优于现有的恢复算法。
2019-05-07 cs.IT math.IT
Compressed Sensing and Redundant Dictionaries
本文将压缩感知的概念扩展到在规范正交基中不稀疏而是在冗余字典中稀疏的信号。证明了由某种类型的随机矩阵和确定性字典组成的矩阵具有小的限制等距常数。因此,相对于字典稀疏的信号可以通过基追踪从少量随机测量中恢复。此外,阈值压缩感知的恢复算法进行了研究,并提供了条件,保证重建的概率高。通过数值实验对不同格式进行了比较。
2010-11-09 cs.IT math.IT math.PR
Signal Recovery in Uncorrelated and Correlated Dictionaries Using Orthogonal Least Squares
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
本文研究了正交最小二乘法在压缩测量信号恢复中的性能,证明其在不相关和相关字典中具有竞争力,优于OMP等贪心算法,尤其在相关字典中表现更优。
2016-07-29 cs.IT cs.NA math.IT
Translation-invariant interpolation of parametric dictionaries
在这次交流中,我们解决的问题近似的原子的参数字典,通常遇到的情况下,稀疏表示在“连续”字典。我们专注于的情况下,不变量字典,原子之间的内积只取决于参数之间的差异。我们调查以下一般性问题:是否有一些低秩近似的字典$插入一个子集的原子,同时保持原字典的平移不变的性质?我们得到了存在这种“插值”和“不变量”的低秩近似的充分必要条件。此外,我们提供了这样的字典时,它存在的封闭形式的表达式。我们说明了我们的结果在二维各向同性高斯字典的情况下的适用性。我们表明,在这个特定的设置,建议的近似框架优于标准泰勒近似。
2020-11-29 cs.IT math.IT
Efficient Adaptive Compressive Sensing Using Sparse Hierarchical Learned Dictionaries
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
压缩感知(CS)中的最近突破性结果已经确立,许多高维对象可以从相对少量的非自适应线性投影观测中准确地恢复,只要对象在某种基础上具有稀疏表示。随后的努力表明,CS的性能可以通过利用非零信号系数的位置中的结构(结构化稀疏性)或在感测过程中使用某种形式的在线测量聚焦(自适应性)来改善。在本文中,我们研究了这两种技术的强大的混合体。首先,我们描述了一个简单的自适应传感过程,并表明它是一个可证明的有效方法,用于获取稀疏信号,表现出结构稀疏性特征的基于树的系数依赖关系。接下来,采用稀疏层次字典学习的技术,我们表明,表现出适当形式的结构化稀疏的表示可以从训练数据的集合中学习。这些技术的组合导致有效且高效的自适应压缩采集过程。
2011-11-29 cs.CV cs.IT math.IT
Improved Sparsity Thresholds Through Dictionary Splitting
用于基追踪以提供压缩感测恢复问题的最大稀疏解的已知稀疏阈值通常取决于字典的相干性。虽然一致性很容易计算,但它可能导致相当悲观的阈值,因为它只捕获有关字典的有限信息。在本文中,我们表明,将字典看作是两个一般子字典的级联导致可证明更好的稀疏阈值-这是明确的字典和各个子字典的相干参数。等价地,我们的结果可以被解释为字典的稀疏阈值,所述字典是两个一般(即,不一定是标准正交的)子字典。
2009-08-12 cs.IT math.IT
Iteratively Reweighted $\ell_1$ Approaches to Sparse Composite Regularization
动机的观察,一个给定的信号$\boldsymbol{x}$承认稀疏表示在多个字典$\boldsymbolΨ_d$,但不同程度的稀疏字典,我们提出了两个新的算法重建(近似)稀疏信号从嘈杂的线性测量。我们的第一个算法Co-L1将著名的lasso算法从L1正则化器$\|\boldsymbol{Ψx}\|_1$扩展到$\sum_d λ_d \|\boldsymbolΨ_d \boldsymbol{x}\|_1$形式的复合正则化器,同时自调整正则化权重$λ_d$。我们的第二个算法,Co-IRW-L1,扩展了著名的迭代重加权L1算法的复合正则化相同的家庭。我们提供了两种算法的几种解释:i)适用于非凸对数和型惩罚的优化最小化(MM),ii)MM适用于近似$\ell_0$型惩罚,iii)MM适用于贝叶斯MAP推理下一个特定的分层先验,和iv)变分期望最大化(VEM)下一个特定的确定性未知参数的先验。一个详细的数值研究表明,我们提出的算法产生显着改善恢复SNR相比,他们的非复合L1和IRW-L1的同行。
2015-09-26 cs.IT math.IT
Compressive Sensing with Redundant Dictionaries and Structured Measurements
本文研究了在冗余字典和结构化测量下信号恢复问题,提出通过子采样固定正交矩阵保证D-RIP条件,从而为结构化测量和冗余字典的压缩感知提供理论保障。
2015-06-08 cs.IT cs.NA math.IT
Minimax Lower Bounds on Dictionary Learning for Tensor Data
本文提供了基本限制的样本复杂性估计字典张量数据。这项工作的具体重点是在$K$第阶张量数据和情况下,底层字典可以表示在$K$较小的字典。假设数据由这些结构化字典原子的线性组合产生,并通过高斯白噪声观察。这项工作首先提供了一个一般的下界的极小极大风险的字典学习这样的张量数据,然后适应证明技术的情况下,稀疏和稀疏高斯线性组合的专门结果。结果表明,张量数据的字典学习的样本复杂度可以显着低于非结构化数据:对于非结构化数据,它与字典维度的乘积线性缩放,而对于张量结构数据,边界与(较小)组件字典的维度乘积之和线性缩放。对于二阶张量数据的情况,给出了一个部分逆,以表明本文中的界可以是紧的。这涉及到开发一种算法,用于从嘈杂的张量数据中学习高度结构化的字典。最后,数值实验突出了与在字典学习期间明确考虑张量数据结构相关的优势。
2018-02-18 cs.IT math.IT
Compressed Sensing with Coherent and Redundant Dictionaries
Stanford University(斯坦福大学);Technion - Israel Institute of Technology(以色列理工学院);Center for Communications Research(通信研究中心)
针对信号在冗余字典而非正交基下稀疏的情况,提出测量矩阵的广义限制等距性质,保证通过L1分析优化问题实现精确恢复,填补了压缩感知在相干冗余字典领域的空白。
2010-12-04 cs.IT cs.NA math.IT
New Guarantees for Blind Compressed Sensing
盲压缩感知(BCS)是压缩感知(CS)的扩展,其中最佳稀疏化字典被假设为未知的并且经受估计(除了CS稀疏系数之外)。自BCS出现以来,词典学习,又名。稀疏编码作为一个矩阵分解问题进行了研究,其样本复杂性,唯一性和可识别性已经得到了彻底的解决。然而,尽管BCS和稀疏编码之间的强连接,最近的结果从稀疏编码问题领域尚未被利用的BCS的上下文中。特别地,先前的BCS努力集中于学习限制这些努力的范围和效用的受约束的和完整的字典。在本文中,我们开发了新的理论界的完美恢复一般无约束BCS问题。这些无约束的BCS界覆盖了超完备字典的情况,因此,它们远远超出了现有的BCS理论。我们完美的恢复结果结合了稀疏编码的组合理论与低秩矩阵恢复的一些最新成果。特别是,我们提出了一个有效的CS测量方案,结果在实际的恢复范围BCS。此外,我们还讨论了BCS在多项式时间稀疏编码算法下的性能。
2015-08-08 cs.IT math.IT
PADDLE: Proximal Algorithm for Dual Dictionaries LEarning
Università di Genova(热那亚大学);Università degli Studi di Genova(热那亚大学)
最近,相当多的研究工作已经致力于设计的方法来学习数据过完备字典稀疏编码。然而,学习字典需要解决一个优化问题,以编码新数据。为了克服这个缺点,我们提出了一种算法,旨在学习字典和它的对偶:线性映射直接执行编码。通过利用邻近的方法,我们的算法共同最大限度地减少了字典的重建误差和其对偶的编码误差;表示的稀疏性由基于$\ell_1$的惩罚引起。在合成数据和真实图像上的实验结果表明,该算法能够恢复出预期的字典。此外,在一个基准数据集上,我们表明,从对偶矩阵获得的图像特征产生最先进的分类性能,同时计算密集度低得多。
2010-11-16 cs.IT cs.LG math.IT
Learning Mixtures of Separable Dictionaries for Tensor Data: Analysis and Algorithms
Rutgers, The State University of New Jersey(罗格斯大学新泽西州立大学);Electronic Arts(美国艺电)
这项工作解决了使用结构化字典学习学习张量数据的稀疏表示的问题。它提出了通过推广可分离字典学习模型来学习可分离字典的混合,以更好地捕获张量数据的结构。两种不同的方法学习混合的可分离的字典进行了探讨,并在每种情况下的基础字典的局部可识别性的充分条件。此外,计算算法的开发,以解决学习混合的可分离字典在批处理和在线设置的问题。数值实验表明,所提出的模型和算法的有效性。
2020-06-14 cs.IT cs.LG eess.SP
An Open Problem on Sparse Representations in Unions of Bases
我们认为稀疏表示的信号从冗余字典是工会的几个正交基。由Donoho和Elad引入的火花在稀疏表示中起着重要作用。然而,火花的数值计算通常是组合的。对于多个标准正交基的并,通过相互相干建立了火花的两个下界。我们建设性地证明了它们都是紧的。我们的主要结果给出了积极的答案Gribonval和Nielsen的公开问题稀疏表示工会的正交基。构造性的证明依赖于一个相互无偏基族,它首先出现在量子信息论中。
2021-09-16 cs.IT math.IT
Expander Sparse Autoencoders: Parameter-Efficient Dictionaries for Mechanistic Interpretability
Independent Researcher(独立研究者)
提出Expander SAEs,利用左d-正则扩展器掩码支持解码器和编码器,仅学习dn个解码器值,在保持稀疏编码问题不变的情况下大幅降低存储和计算成本,实验表明在多种模型上实现了存储-保真度前沿。
2026-07-03 cs.AI cs.IT cs.LG
Minimax Lower Bounds for Kronecker-Structured Dictionary Learning
Rutgers University(罗格斯大学)
字典学习是估计提供测量/收集的信号或数据的稀疏表示的原子元素的集合的问题。本文通过证明极大极小风险的下界,发现了张量数据估计字典的样本复杂性的根本限制。这个下限取决于张量的维度和生成模型的参数。本文的重点是二阶张量数据,与基础的字典构造两个较小的字典和观测数据的字典原子通过高斯白噪声观察到的稀疏线性组合的克罗内克积。在这方面,本文提供了一个一般的最小最大风险的下限,并采用稀疏和高斯系数模型的等价结果的证明技术。报告的结果表明,张量数据的字典学习的样本复杂度可以显着低于非结构化数据。
2016-05-17 cs.IT cs.LG math.IT
Conditioning of incoherent sub-dictionaries sampled from a coherent dictionary
Universität Innsbruck(因斯布鲁克大学)
针对基于变换的相干框架(如小波或Gabor框架)中稀疏信号建模的需求,研究通过相干拒绝泊松采样从相干字典中选择的子字典的条件数,证明当期望规模为d/log(K)时子字典高概率良态。
2026-06-24 cs.IT math.IT math.PR
Data Discovery Using Lossless Compression-Based Sparse Representation
稀疏表示在数据压缩、信号和图像去噪、降维、计算机视觉等领域有着广泛的应用。虽然多维数据的稀疏表示需要过完备字典,但正交基可以很好地表示一维数据。在本文中,我们提出了一个数据驱动的稀疏表示使用正交基无损压缩约束下。我们表明,施加这样的约束下的最小描述长度(MDL)的原则,导致一个独特的和最佳的稀疏表示一维数据,这导致在数据发现有用的判别功能。
2021-03-17 cs.IT eess.SP math.IT
Exact Recovery of Sparse Signals via Orthogonal Matching Pursuit: How Many Iterations Do We Need?
正交匹配追踪(OMP)是一种广泛应用于从压缩测量中恢复稀疏信号的贪心算法。在本文中,我们分析了OMP算法进行精确恢复稀疏信号所需的迭代次数。我们的分析表明,OMP可以准确地恢复所有的$K$稀疏信号的$\lceil 2.8 K \rceil$迭代时,测量矩阵满足限制等距属性(RIP)。我们的结果改进了张的结果,也弥补了张的结果和OMP的基本极限之间的差距,在该极限下$K$ -稀疏信号的精确恢复不能得到一致的保证。
2016-02-20 cs.IT math.IT
Note on RIP-based Co-sparse Analysis
在过去的几年里,有越来越多的兴趣恢复信号从欠采样数据,这些信号是稀疏的一些正交字典或紧的框架下,这被称为稀疏合成模型。最近,它的对应物,即,稀疏分析模型,也引起了研究者的关注,许多实际的信号是稀疏的,在真正的冗余字典。这篇短文是对现有文献中处理稀疏分析模型结果的重要补充。首先,我们给出了著名的限制等距性质(RIP)的自然推广,以处理稀疏分析模型,其中考虑了真正的任意非相干字典。其次,通过求解l1范数稀疏提升优化问题,研究了在一般冗余字典中稀疏信号精确恢复的理论保证。这项工作不仅表明,压缩感知是可行的稀疏分析的上下文中,但也可以通过解决l1-最小化问题,准确的恢复。
2012-02-09 cs.IT math.IT
A Fast Dictionary Learning Method for Coupled Feature Space Learning
Aalto University(阿尔托大学)
在这封信中,我们提出了一种新的计算效率高的耦合字典学习方法,该方法强制学习字典的原子之间的成对相关性,以表示相同信号的两种不同表示的底层特征空间,例如,不同模态的表示或以不同质量测量的相同信号的表示。联合学习的相关特征空间表示的耦合字典稀疏表示的分类,识别和重建任务中使用。实验结果表明,所提出的耦合字典学习方法具有显着降低的计算成本。此外,联合学习字典的视觉呈现表明,相应原子之间的成对相关性得到了保证。
2019-04-15 cs.IT cs.LG math.IT
Constant Weight Codes with Gabor Dictionaries and Bayesian Decoding for Massive Random Access
本文提出了一种基于稀疏叠加编码的大规模随机接入的一般框架。我们提供的代码设计的指导方针,并建议使用的恒定重量的代码结合基于Gabor框架的字典设计。解码器通过在考虑字典结构的AMP模块和利用所涉及的恒定权重代码的结构的第二推理模块之间迭代地交换软信息来应用近似消息传递(AMP)的扩展。我们将编码结构应用于(i)无源随机访问设置,其中所有用户使用公共字典,以及(ii)具有用户特定字典的“源”随机访问设置。当应用于衰落场景时,通信方案基本上非相干地操作,因为在发射机和接收机处都不需要信道状态信息。我们观察到,在制度的实际利益,所提出的方案相比,有利的最先进的计划,在(每用户)能量每比特的要求,以及活跃用户的数量,可以同时容纳在系统中。重要的是,这是用相当小的发送码字大小来实现的,潜在地产生较低的延迟和带宽占用,以及较低的实现复杂度。
2022-07-26 cs.IT eess.SP math.IT
Fast Matching Pursuit with Multi-Gabor Dictionaries
在冗余字典中寻找信号的最佳K-稀疏逼近是一个NP难问题。次优贪婪匹配追踪(MP)算法通常用于此任务。在这项工作中,我们提出了一种加速技术和实现的匹配追踪算法上的多个Gabor字典,即,多个Gabor型时频字典的级联,每个时频字典由可能不同的窗口以及时间和频率偏移参数的转换和调制组成。该技术基于原子之间的内积的预计算和阈值化以及直接在系数域中更新残差,即,而不需要到信号域的往返。由于建议的加速技术涉及一个近似的更新步骤,我们提供的理论和实验结果说明所得到的算法的收敛性。该实现是用C语言编写的(与C99和C++11兼容),我们还提供Matlab和GNU Octave接口。对于某些设置,该实现比标准的Matching Pursuit Toolkit(MPTK)快70倍。
2022-02-16 cs.IT cs.MS cs.NA
Dictionary Learning for Channel Estimation in Hybrid Frequency-Selective mmWave MIMO Systems
利用毫米波(mmWave)频率处的信道稀疏性减少了与信道估计阶段相关联的高训练开销。压缩感知(CS)信道估计技术通常采用(过完备)小波/傅立叶变换矩阵作为稀疏字典。这可能不是最好的选择时,考虑到非均匀阵列,天线增益/相位误差,互耦效应等,我们提出了两个字典学习(DL)算法学习最好的稀疏化字典的信道矩阵的观察与混合频率选择性毫米波多输入多输出(MIMO)系统。首先,我们优化组合字典,即,发送和接收字典的克罗内克积,因为它在实践中用于稀疏化信道矩阵。其次,考虑到在发射机和接收机的不同阵列结构,我们利用可分离的DL找到最佳的发送和接收字典。一旦信道被表示在优化字典方面,各种基于CS的稀疏恢复技术可以被应用于低开销信道估计。在预编码器/组合器可以被优化之前,所提出的DL算法在任何毫米波通信系统固有的低SNR条件下表现良好。所提出的DL算法的有效性已通过不同的系统配置,阵列的几何形状和硬件损伤的数值模拟得到证实。
2019-09-19 cs.IT eess.SP math.IT
Contention-based Grant-free Transmission with Extremely Sparse Orthogonal Pilot Scheme
由于传统的正交导频数目有限,导频冲突会严重降低基于竞争的免授权传输的性能。为了减少导频冲突并尽可能地利用空间自由度,提出了一种用于上行免授权传输的极稀疏正交导频方案。稀疏导频用于主动用户检测和空间信道估计。然后,通过使用所估计的空间信道在空间上组合所接收的数据符号来执行用户间干扰抑制。然后,利用组合数据符号的几何特性进行无线信道和时间/频率偏移的估计和补偿。导频的任务大大减轻,使得极稀疏的正交导频占用的资源最少,同时正交导频的数目也大大增加,大大降低了导频冲突的概率。数值结果表明,所提出的极稀疏的正交导频方案显着提高了高过载免授权场景下的性能。
2021-06-08 cs.IT eess.SP math.IT
Sparse Linear Regression via Generalized Orthogonal Least-Squares
University of Texas at Austin(德克萨斯大学奥斯汀分校)
稀疏线性回归需要找到欠定线性方程组的稀疏解,可以正式表示为$l_0$约束最小二乘问题。正交最小二乘(OLS)算法顺序地选择特征(即,系数矩阵的列)来粗略地找到近似稀疏解。在本文中,一个推广的正交最小二乘依赖于最优解的组件之间的递归关系,选择L功能在每一步,并解决由此产生的超定方程组提出。仿真结果表明,广义OLS算法是计算效率和实现性能优于现有的贪婪算法广泛使用的文献。
2016-07-28 cs.IT cs.LG math.IT