Sparse Representation of White Gaussian Noise with Application to L0-Norm Decoding in Noisy Compressed Sensing
在大系统的限制下,给出了基于超完备字典的高斯白噪声稀疏表示的可达域和逆域。此外,这种稀疏表示的边缘分布也被推断。结果是通过统计力学中的统计方法得到的。这些结果的一个直接结果是引入尖锐的阈值$\ell_{0}$范数解码噪声压缩感知,其均方误差欠定高斯矢量信道。
2017-02-10 cs.IT math.IT
A Novel Compressed Sensing Based Model for Reconstructing Sparse Signals Using Phase Sparse Character
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
A Comparative Study of Audio Compression Based on Compressed Sensing and Sparse Fast Fourier Transform (SFFT): Performance and Challenges
音频压缩已成为多媒体的基本技术之一。在世界范围内的不同标准中,希望选择能够在提供高压缩比的同时保持信号质量的有效压缩方案。本文研究了压缩感知和稀疏傅立叶变换两种稀疏信号处理算法在音频压缩中的应用。此外,我们提出了一种基于稀疏快速傅立叶变换(SFFT)的音频压缩框架。该方案将K个最大频率索引嵌入作为传输信号的一部分,从而节省了传输所需的带宽
2014-03-12 cs.IT math.IT
Unlabelled Sensing: A Sparse Bayesian Learning Approach
我们解决了稀疏向量的恢复在一个过完备的,线性的和嘈杂的多个测量框架,其中的测量矩阵是已知的,它的行的排列。我们推导出稀疏贝叶斯学习(SBL)为基础的联合恢复未知的稀疏向量和传感器的顺序,表示使用置换矩阵的更新。我们使用多个不相关和相关的向量模型的稀疏矩阵,特别是,我们使用一阶AR模型的相关稀疏向量。我们提出了置换MSBL和基于卡尔曼滤波的置换KSBL算法的低复杂度的联合恢复的不相关和相关的稀疏向量,连同置换矩阵。这项工作的新颖性出现在提供一个简单的更新步骤的置换矩阵使用的重排不等式。我们证明了均方误差和置换恢复性能的算法,使用Monte Carlo模拟。
2018-02-02 cs.IT math.IT
Sensing Matrix Optimization for Block-Sparse Decoding
最近的工作表明,使用精心设计的传感矩阵,而不是一个随机的,可以提高压缩感知的性能。特别地,设计良好的感测矩阵可以减少等效字典的原子之间的相干性,并且因此减少重构误差。在一些应用中,感兴趣的信号可以通过少量子空间的并集来很好地近似(例如,面部识别和运动分割)。这意味着存在一个字典,导致块稀疏表示。在这项工作中,我们提出了一个框架的感知矩阵的设计,提高了块稀疏近似技术的能力,重建和分类信号。该方法基于最小化等效字典的块间相干性和子块相干性的加权和。实验结果表明,与不采用分块结构的感知矩阵优化方法相比,该算法显著提高了Block-OMP算法的信号恢复和分类能力.
2010-09-08 cs.IT math.IT
Compressed Sensing for Sparse Underwater Channel Estimation: Some Practical Considerations
我们研究使用结构化的阈值算法稀疏水下信道估计,利用压缩感知。该方法对稀疏信道估计的标准算法如匹配追踪、迭代检测和最小二乘等进行了改进。
2010-02-13 cs.IT math.IT stat.AP
Compressed Sensing with Incremental Sparse Measurements
本文提出了一种基于验证的解码方法重建稀疏信号与增量稀疏测量。在其第一步中,基于验证的解码算法被用来重构具有固定数量的稀疏测量的信号。通常,它可能会失败,因为稀疏测量的数量可能不够,可能是由于低估了信号稀疏性。然而,我们观察到,即使第一次恢复失败,稀疏信号的许多分量样本已被识别。因此,很自然地进一步采用调谐到具有已知位置的未识别样本的增量测量。这种方法已被证明是非常有效的广泛的模拟。
2013-02-11 cs.IT math.IT
Discrete Sparse Signals: Compressed Sensing by Combining OMP and the Sphere Decoder
研究了欠定线性方程组离散稀疏信号的重构问题。一方面,经典的压缩感知(CS)被设计用于处理实值稀疏信号。另一方面,MIMO通信中已知的算法,尤其是球形解码器(SD),能够从明确或超定义的线性方程组重建离散值非稀疏信号。因此,需要将这两种方法结合起来。我们讨论的策略,包括在重建过程中的信号的离散性的知识。为了简洁起见,博览会是结合正交匹配追踪(OMP)与SD的设计准则。结果表明,通过适当地结合OMP和SD的一个有效的低复杂度的离散稀疏信号的检测方案得到。
2013-10-09 cs.IT math.IT
Sparse Spectrum Sensing in Infrastructure-less Cognitive Radio Networks via Binary Consensus Algorithms
压缩感知已经被用于认知无线电网络(CRN)中,以利用主用户占用的稀疏性。此外,分布式频谱感测已被提出来解决无线信道问题,如节点或链路故障,而不是常见的(集中式方法)的频谱感测。在本文中,我们提出了一个分布式频谱感知框架的基础上共识算法,SU节点交换他们的二进制决策,采取全球决策,没有一个融合中心,以协调的感知过程。每个SU将与其邻居共享其决策,并且在每次新的迭代中,每个SU将基于其当前决策以及从其邻居接收的决策来做出新的决策;在下一次迭代中,每个SU将与其邻居共享其新的决策。我们通过仿真表明,检测性能可以趋向于基于CRN的多数规则融合中心的性能。
2016-06-11 cs.IT math.IT
Joint Sparse Recovery Method for Compressed Sensing with Structured Dictionary Mismatches
在传统的压缩感知理论中,字典矩阵是先验给定的,而在实际应用中,这个矩阵会受到随机噪声和波动的影响。在本文中,我们考虑的信号模型中的字典矩阵中的每一列的结构性噪声的影响。该公式在雷达系统和阵列处理中遇到的离网目标的到达方向(DOA)估计中是常见的。我们建议使用联合稀疏信号恢复来解决结构化字典不匹配的压缩感知问题,并给出了这种联合稀疏恢复的分析性能界。我们表明,在温和的条件下,原始稀疏信号的重建误差是有界的稀疏性和噪声水平的测量模型。此外,我们实现了快速一阶算法,以加快计算过程。数值算例验证了所提算法的良好性能,同时也表明联合稀疏恢复方法比现有方法具有更好的重建效果。通过实现联合稀疏恢复方法,在被动和主动感知情况下,DOA估计的精度和效率都得到了提高。
2014-07-24 cs.IT math.IT
On sparse sensing and sparse sampling of coded signals at sub-Landau rates
在最近的工作中,信息论的理解进展连续未编码信号的稀疏采样超过朗道率的采样率。这项工作检查稀疏采样的编码信号在子朗道采样率。它示出,与编码信号的朗道条件可以放宽和信号重建和支持检测所需的采样率可以低于有效带宽。等价地,在相应的稀疏感知问题中的测量的数量可以小于支持大小。信息速率和信号和支持检测性能的严格界限推导出高斯稀疏采样信道和频率稀疏信道使用的上下文状态相关的信道。通过仿真验证了支撑检测结果。当系统是高维的时,所需的SNR被示出为有限的,但是高并且随着采样率的减小而上升,在一些实际应用中,可以通过减少关于支持的先验不确定性(例如,通过将频率支持集中到有限数量的子带中)来降低SNR。
2013-03-01 cs.IT math.IT
Compressed Sensing of Block-Sparse Signals: Uncertainty Relations and Efficient Recovery
我们考虑块稀疏信号的压缩感知,即,具有非零系数的稀疏信号出现在簇中。块稀疏信号的不确定性关系,推导出基于块相干性措施,我们介绍。然后,我们表明,块版本的正交匹配追踪算法恢复块$k$稀疏信号在不超过$k$步骤,如果块的相干性是足够小的。块一致性的相同条件下,通过混合$\ell_2/\ell_1$优化方法,以保证成功恢复。这补充了以前的恢复结果的块稀疏的情况下,依赖于小块限制等距常数。本文提出的结果的意义在于,明确使用块稀疏性可以证明产生更好的重建性能比处理信号稀疏在传统意义上,从而忽略了问题中的附加结构。
2009-06-18 cs.IT math.IT
Conditions for Unique Reconstruction of Sparse Signals Using Compressive Sensing Methods
如果一个信号在其表示域中的非零系数的数量远小于系数的总数,则该信号在该表示域中是稀疏的。稀疏信号可以从一组非常精简的测量/观察中重建。本文的主题是条件的稀疏信号的唯一重建从一个减少的观察。在介绍了基本定义之后,使用测量矩阵的火花、限制等距和相干性来审查唯一的重建条件。在离散傅立叶域(DFT)作为最重要的信号变换域,也考虑了信号稀疏重构的唯一性。
2017-06-16 cs.IT math.IT
On the Doubly Sparse Compressed Sensing Problem
研究了压缩感知问题的一个新的变形,当被误差破坏的测量值的数量由某个值l上界,但对误差没有更多的限制。我们证明,在这种情况下,它是足够的,使2(t+1)测量,其中t是原始数据的稀疏。此外,对于这种情况下,提出了一个相当简单的恢复算法。从编码理论的Singleton界的模拟推导出证明相应的测量矩阵的最优性。
2015-09-23 cs.IT math.IT
Anti-Sampling-Distortion Compressive Wideband Spectrum Sensing for Cognitive Radio
过高的采样率是认知无线电宽带频谱感知的瓶颈。压缩感知(CS)被引入来转移采样负担。CS的标准稀疏信号恢复没有考虑模拟-信息转换器(AIC)中的失真。为了克服最小二乘无失真约束中不考虑AIC失真的失配所带来的性能退化,将具有采样失真的稀疏信号定义为有界加性噪声,推导出抗采样失真约束(ASDC)。然后将基于\ell 1范数的稀疏约束与ASDC相结合,得到了一种新的鲁棒的采样失真稀疏信号恢复算子。仿真结果表明,该方法在精度、去噪能力等方面均优于标准稀疏宽带频谱感知。
2011-06-18 cs.IT math.IT
On construction and analysis of sparse random matrices and expander graphs with applications to compressed sensing
我们重新审视稀疏随机矩阵的概率构造,其中每列都有固定数量的非零,其行索引是随机均匀绘制的。这些矩阵与无损扩展图的邻接矩阵有一一对应的关系。我们目前的概率,这些图的邻居集的基数将小于预期值的尾界。通过分析使用{ \em并矢分裂}技术的集合的工会中的冲突的界限。这种分析导致推导出更好的常数,允许无损扩展图的存在的定量定理,因此我们考虑的稀疏随机矩阵,以及使用稀疏非均值零测量矩阵时的定量压缩感知采样定理。
2013-07-24 cs.IT math.IT
The high-order block RIP for non-convex block-sparse compressed sensing
本文主要研究从线性测量中恢复块稀疏信号,块稀疏信号不仅是稀疏的,而且非零元素被排列成一些块(簇),而不是任意分布在整个向量上。本文建立了基于块RIP的高阶充分条件,保证了在无噪声情况下,通过混合$l_2/l_p$最小化方法精确恢复每个块$s$ -稀疏信号,以及在存在噪声的信号不精确块稀疏的情况下,稳定和鲁棒的恢复。此外,获得了条件以压倒性的概率为真所需的随机高斯测量数的下限。最后,通过数值实验验证了算法的有效性.
2020-06-11 cs.IT math.IT
Sensing Matrix Design and Sparse Recovery on the Sphere and the Rotation Group
在本文中,{的目标是设计确定性的采样模式上的球和旋转组},从而,构造感测矩阵的稀疏恢复带限函数。首先证明了由Wigner D-函数的随机样本组成的随机感知矩阵在适当的预处理下满足限制等距性(RIP),并且可以用于旋转群上的稀疏恢复。然而,互相关是用来评估性能的确定性和定期的传感矩阵。我们发现,许多广泛使用的常规采样模式产生的传感矩阵最坏的可能的互相关,因此是不可取的稀疏恢复。使用量子力学中的角动量分析工具,我们提供了一个新的表达的相互相干性,这鼓励使用规则的高程样本。我们构造低相干确定性矩阵固定的定期样本的仰角和最小化的方位角偏振选择的相互相干。结果表明,一旦高程采样是固定的,互相关有一个下限,只依赖于高程样本。然而,这个下限,可以实现球谐函数,这导致新的传感矩阵具有更好的相干性比其他代表性的常规采样模式。这也反映在我们的数值实验中,我们提出的采样模式完全匹配随机采样模式的相变。
2020-02-24 cs.IT math.IT
Compressive Sensing of Sparse Signals in the Hermite Transform Basis: Analysis and Algorithm for Signal Reconstruction
分析了在Hermite变换域中稀疏信号中缺失样本的影响。基于推导出的随机欠采样信号Hermite系数的统计性质,确定了信号分量支持检测的成功概率。基于概率分析,提供了用于检测信号分量的阈值。这是定义用于压缩感知信号重构的简单非迭代算法的关键步骤。导出的理论概念证明了几个例子,使用不同的统计检验。
2015-11-14 cs.IT math.IT
Super-Resolution Compressed Sensing: An Iterative Reweighted Algorithm for Joint Parameter Learning and Sparse Signal Recovery
在许多实际应用中,如波达方向(DOA)估计和线性谱估计,稀疏字典通常是由一组未知参数在一个连续的域。为了将传统的压缩感知应用于此类应用,必须将连续参数空间离散化为有限的网格点集。离散化,但是,招致错误,并导致恶化的恢复性能。为了解决这个问题,我们提出了一种迭代重加权的方法,联合估计未知参数和稀疏信号。具体地说,该算法是通过迭代减少代理函数优化给定的目标函数,这导致在一个渐进的和交织的迭代过程,以改善未知参数和稀疏信号。数值结果表明,该算法在分辨密集频率分量时具有优越的性能。
2014-01-17 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
Collaborative Spectrum Sensing from Sparse Observations Using Matrix Completion for Cognitive Radio Networks
在认知无线电中,频谱感知是检测频谱空洞(即,不被任何主要用户使用的信道)。认知无线电节点之间的协作频谱感知有望提高检测完整频谱使用状态的能力。然而,由于功率限制和信道衰落的影响,现有的信道检测信息远不足以直接判断出空闲信道。针对这一瓶颈,我们应用最新的矩阵补全技术,大大减少了所需的传感信息。我们制定的协同感知问题作为一个矩阵完成子问题和联合稀疏重建子问题。数值仿真结果验证了该方法的有效性和鲁棒性。特别地,在无噪声的情况下,当主用户的数量是小的,获得准确的检测与不超过8%的完整的传感信息,而随着主用户的数量的增加,以实现95.55%的检测率,所需的信息百分比仅为16.8%。
2010-01-27 cs.IT math.IT
One-bit compressed sensing with non-Gaussian measurements
在一比特压缩感知中,先前的结果表明,当使用高斯随机向量进行测量时,稀疏信号可以鲁棒地恢复。与标准压缩感知相比,这些结果在没有进一步假设的情况下不能扩展到自然的非高斯分布,这可以通过简单的反例来证明。我们表明,近似稀疏的信号,不是非常稀疏,可以准确地重建从单比特测量采样根据一个亚高斯分布,和重建来作为一个凸规划的解决方案。
2013-04-08 cs.IT math.IT
Multi-Frequency GPR Microwave Imaging of Sparse Targets Through a Multi-Task Bayesian Compressive Sensing Approach
提出了一种新颖的逆散射(IS)方法,用于有耗半空间中像素稀疏散射体的定量成像。一方面,这种方法通过联合处理所收集的雷达图的多频(MF)谱分量来利用地面穿透雷达(GPR)数据的宽带性质。另一方面,它强制稀疏先验问题的未知数,以产生正则化的解决方案的完全非线性散射方程。为此,多任务贝叶斯压缩感知(MT-BCS)的方法,并适当定制,以充分利用可用的频率分集和先验信息的类成像目标。有代表性的结果报告,以评估拟议的MF-MT-BCS战略也比较有竞争力的国家的最先进的替代品。
2021-08-03 cs.IT math.IT
Power Allocation in Compressed Sensing of Non-uniformly Sparse Signals
研究了未知稀疏信号中不同分量非零概率不同时压缩感知中的功率分配问题。给定非均匀稀疏性和总功率预算的先验信息,我们感兴趣的是如何在高斯随机测量矩阵的列之间优化分配功率,使得均方重建误差最小化。基于Donoho,Maleki和Montanari的工作起源的状态演化技术,我们修改了所谓的近似消息传递(AMP)算法的重建和量化的MSE性能的渐近制度。然后得到了最优功率分配的封闭形式。结果表明,在测量噪声存在的情况下,均匀功率分配,导致常用的高斯随机矩阵具有i.i.d.对于非均匀稀疏信号不是最优的。实证结果表明,性能增益。
2014-05-08 cs.IT math.IT
Deterministic construction of sparse binary and ternary matrices from existing binary sensing matrices
在目前的工作中,我们讨论了从现有的两个二进制传感矩阵构造稀疏的二进制和三进制矩阵的过程。我们构造的矩阵有几个有吸引力的属性,如较小的密度,这支持低计算复杂性的算法。作为我们的方法的一个应用,我们表明,CS矩阵的一般行大小不同于$p, p^2, pq$(对于不同的素数$p,q$)可以被构造。
2015-03-04 cs.IT math.IT math.OC
Sparse Channel Estimation for Amplify-and-Forward Two-way Relay Network with Compressed Sensing
为了在无线频率选择性信道上实现高数据率传输,引入了放大转发双向中继网络(AFTWRN)。然而,AFTWRC需要的信道状态信息(CSI)的知识,不仅为相干数据检测,但也为selfdata删除。这部分地通过训练基于序列的线性信道估计来实现。然而,传统的线性估计技术忽略了预期的多径信道的稀疏性,从而导致低的频谱效率,这是在无线通信领域的稀缺。与以前的方法不同,我们提出了一种稀疏的信道估计方法,可以利用稀疏结构,从而提供显着的改进MSE性能相比,传统的LS为基础的线性信道探测策略在AF-TWRN。仿真结果证实了所提出的方法。
2013-06-23 cs.IT math.IT
On the Foundation of Sparse Sensing (Part I): Necessary and Sufficient Sampling Theory and Robust Remaindering Problem
在系列论文的第一部分,我们着手回答以下问题:给定采样器集合的特定限制,什么样的信号可以由相应的样本唯一表示,作为稀疏感知的基础。它与压缩感知不同,压缩感知利用信号的稀疏表示来降低样本复杂度(压缩采样或采集)。我们使用稀疏感知来表示一个板概念的方法,其主要重点是提高采样实现本身的效率和成本。这里的“稀疏”指的是以低时间或空间速率采样(稀疏性约束采样或采集),其实际上模拟更便宜的硬件,诸如更低的功率、更少的存储器和吞吐量。以频率和波达方向估计为例,给出了采样策略的充分必要条件。有趣的是,我们证明了这些问题可以减少到一些(多)剩余模型。作为一个简单的推论,我们补充和完善的互质抽样理论,这在过去的十年中受到了相当大的关注。另一方面,我们推进了对鲁棒多余数问题的理解,该问题模拟了带噪声采样时的情况。一个尖锐的折衷之间的参数动态范围和误差界。我们证明了,对于复杂或真实波形中的N频率估计,一旦所选择的采样率的最小公倍数(lcm)足够大,则可以接近与N无关的误差容限界。
2021-08-23 cs.IT math.IT
Robustly Stable Signal Recovery in Compressed Sensing with Structured Matrix Perturbation
在标准压缩感知(CS)问题中的稀疏信号恢复要求感知矩阵是先验已知的。这种理想假设在实际应用中可能不满足,因为传感仪器中存在各种误差和波动。本文研究了传感矩阵结构化扰动下的压缩传感问题。在较弱的条件下,利用$\ell_1$最小化方法可以恢复稀疏信号,并且恢复误差最多与测量噪声成正比,这与标准CS结果相似.在特殊的无噪声的情况下,提供的信号是足够稀疏的扰动水平的恢复是准确的。所提出的结构化感知矩阵摄动方法适用于波达方向估计问题,具有实际意义。提出了实现$\ell_1$最小化问题的算法,并进行了数值模拟,以验证所得到的结果。
2012-03-14 cs.IT math.IT
Sparse Representation for Wireless Communications: A Compressive Sensing Approach
稀疏表示可以有效地对不同应用中的信号进行建模,以便于处理。在本文中,我们将讨论稀疏表示在无线通信中的各种应用,重点关注最新的压缩感知(CS)方法。在稀疏性的帮助下,CS能够提高第五代(5G)网络和物联网(IoT)网络的频谱效率和能量效率。本文首先全面概述了CS原理以及可能用于5G和IoT网络的不同稀疏域。然后介绍了近年来在认知无线电网络中宽带频谱感知、物联网网络中数据汇集、大规模MIMO系统中信道估计和反馈等方面的研究进展。此外,还确定了5G和物联网网络稀疏表示的其他潜在应用和研究挑战。这篇文章将为读者提供一个清晰的图像,如何利用稀疏特性来处理不同应用中的无线信号。
2018-06-24 cs.IT math.IT
A remark on weaken restricted isometry property in compressed sensing
限制等距属性(RIP)已成为众所周知的压缩传感社区。最近,一个削弱版本的RIP提出了弱矩假设下的精确稀疏恢复。在这篇文章中,我们证明了削弱RIP也是足够的\textsl{stable and robust}稀疏恢复连接到最近推出的压缩感知的鲁棒宽度属性。此外,我们表明,它可以广泛应用于其他压缩感知的情况下。
2015-04-01 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
Cross Validation in Compressive Sensing and its Application of OMP-CV Algorithm
压缩传感(CS)是一种数据采集技术,其以低于其奈奎斯特速率的采样率测量稀疏或可压缩信号。结果表明,稀疏信号可以使用贪心算法重建,往往需要先验知识,如信号的稀疏性或噪声水平。作为先验知识的替代,交叉验证(CV),一种检验模型是否过拟合其数据的统计方法,已被提出来确定贪心算法的停止条件。本文首先分析了交叉验证在一个通用的压缩感知框架,并开发了通用的交叉验证技术,可以用来理解基于CV的稀疏恢复算法。此外,我们提供了理论分析OMP-CV,正交匹配追踪的交叉验证修改,它具有很好的稀疏恢复性能。最后,数值实验验证了我们的理论结果,并研究了OMP-CV的行为。
2016-02-20 cs.IT math.IT
Sub-linear Time Support Recovery for Compressed Sensing using Sparse-Graph Codes
我们研究压缩感知的支持恢复问题,其目标是从有噪声和无噪声的低维线性测量中重建高维$K$ -稀疏信号$\mathbf{x}\in\mathbb{R}^N$。我们的主要贡献是一个新的压缩感知框架,通过一个新的家庭精心设计的稀疏测量矩阵与最小的测量成本和低复杂度的恢复算法。在我们的框架中的测量矩阵的设计基于精心制作的稀疏化通过容量接近稀疏图码,其中稀疏系数可以有效地恢复在几个迭代通过执行简单的错误解码的意见。我们正式连接这个一般的恢复问题与稀疏图解码在分组通信系统中,并分析我们的框架的测量成本,时间复杂度和恢复性能。在无噪声环境下,我们的框架可以在$O(K)$时间内使用$2K$测量以高概率渐近地恢复任意$K$稀疏信号.在噪声环境中,当稀疏系数在有限和量化的字母表中取值时,我们的框架可以使用从具有元素$\{-1,0,1\}$的测量矩阵获得的$O(K\log(N/K))$测量在时间上实现相同的目标$O(K\log(N/K))$。当稀疏$K$是次线性的信号维度$K=O(N^δ)$的一些$0<δ<1$,我们的结果是顺序最优的测量成本和运行时间,这两者都是次线性的信号维度$N$。次线性测量成本和运行时间也可以通过连续值稀疏系数来实现,其中对数因子略有增加。这为我们的框架提供了所需的可扩展性,可以为具有稀疏性的海量数据集提供实时或近实时处理。
2018-02-26 cs.IT math.IT
Sensing-Assisted Sparse Channel Recovery for Massive Antenna Systems
针对大规模天线系统的信道估计问题,提出感知辅助的稀疏信道恢复方法,利用雷达感知确定稀疏基,结合压缩感知算法与用户反馈恢复信道,在有限反馈下降低训练开销、提升恢复精度与可达速率。
2023-11-10 cs.IT eess.SP math.IT
Compressive Sensing Based Design of Sparse Tripole Arrays
本文研究了稀疏线阵的设计问题。在这样的阵列中,在每个天线位置处存在三个正交偶极子,允许对接收波形的水平分量和垂直分量两者的完全测量。我们从压缩感知(CS)的角度来阐述这个问题。然而,与各向同性阵列元件(单天线)不同,我们现在有三个复值权重系数与每个潜在的位置(由于三个偶极子),这必须同时最小化。如果不这样做,我们可以只将单个偶极子的权重系数设置为零值,而不是完整的三极,这意味着一些偶极子可能会保留在每个位置。因此,本文的贡献是制定稀疏三极阵列的设计作为一个优化问题,然后我们得到一个解决方案的基础上最小化的修改后的L1范数或一系列的迭代求解重新加权最小化,这确保了一个真正的稀疏解决方案。设计实例验证了所提出的方法的有效性,并表明,一个很好的近似的参考方向图可以实现使用更少的三极比均匀线阵(线阵)的等效长度。
2016-03-29 cs.IT math.IT
Bayesian compressed sensing with new sparsity-inducing prior
稀疏贝叶斯学习(SBL)是压缩感知(CS)中稀疏信号恢复的一种流行方法。在SBL中,信号稀疏性信息被利用,假设一个稀疏诱导的信号,然后使用贝叶斯推理估计先验。在本文中,一个新的稀疏诱导先验的信号恢复和有效的算法。的主要算法产生一个稀疏的解决方案比现有的SBL方法,同时保持其理想的性能。一维合成信号和二维图像的数值模拟验证了我们的分析,并表明,稀疏信号的信号恢复精度和计算速度的算法优于其SBL同行。其改进的性能也证明了在CS与其他国家的最先进的方法相比。
2012-08-31 cs.IT math.IT
Exploiting Sparse Dynamics For Bandwidth Reduction In Cooperative Sensing Systems
最近,人们对开发用于某些类型的无线应用的协作感测系统产生了极大的兴趣。在这样的系统中,一组感测节点周期性地收集关于在给定地理区域中观察到的信号的测量结果,并将这些测量结果发送到中央节点,中央节点进而处理该信息以恢复信号。例如,在认知无线电网络中,感兴趣的信号是由主发射机生成的信号,而感测节点是次用户。在这样的网络中,能够可靠地确定主发射机的存在或不存在以避免引起干扰是至关重要的。将这些测量值从传感器节点传输到融合中心的标准方法是使用正交信道。这样的方法迅速地对网络的控制信道容量施加负担,其将在协作感测节点的数量上线性地缩放。在本文中,我们表明,只要满足一个条件:观察到的信号的动态是稀疏的,即,所观察到的信号相对于收集测量值的时间尺度不会非常迅速地改变它们的值,我们可以显著地减小系统的控制带宽,同时实现全(线性)带宽性能。
2012-10-29 cs.IT math.IT
Sparse Diffusion Steepest-Descent for One Bit Compressed Sensing in Wireless Sensor Networks
Qom University of Technology(库姆理工大学);Swinburne University of Technology(斯威本科技大学);Sharif University of Technology(谢里夫理工大学)
提出了一种基于稀疏扩散的最速下降算法,用于无线传感器网络中的一比特压缩感知。该方法利用扩散策略从分布式学习的一位压缩感知框架。为了仅从测量的符号协作地估计公共稀疏向量,使用最速下降来最小化合适的全局和局部凸代价函数。提出了稀疏向量的分布式学习扩散策略。仿真结果表明,提出的分布式算法的有效性相比,国家的最先进的非分布式算法在一位压缩感知框架。
2016-01-03 cs.IT cs.LG math.IT
Analysis-by-Synthesis Quantization for Compressed Sensing Measurements
我们考虑一个资源有限的情况下,使用压缩感知(CS)的传感器收集了少量的测量,以观察稀疏信号,测量随后以低比特率进行量化,然后进行传输或存储。针对这种情况,我们设计了新的信源编码算法,其目标是实现稀疏信号的良好重构性能。我们的方法是基于在编码器上的合成分析原理,包括两个主要步骤:(1)合成步骤使用稀疏信号重建技术来测量CS测量的量化对最终稀疏信号重建质量的直接影响,以及(2)分析步骤决定适当的量化值以最大化最终稀疏信号重建质量。通过仿真,我们比较了所提出的量化算法与现有的量化方案的性能。
2014-04-30 cs.IT math.IT
On the Compressed Measurements over Finite Fields: Sparse or Dense Sampling
我们考虑在有限域上的压缩采样,并调查成功的L0恢复所需的压缩测量的数量。我们的结果得到的传感矩阵的稀疏性以及有限域的大小是不同的。一个有趣的结论包括,除非信号是“超”稀疏的,传感矩阵不必是密集的。
2012-11-22 cs.IT math.IT
Approximate message-passing with spatially coupled structured operators, with applications to compressed sensing and sparse superposition codes
我们研究近似消息传递的行为,线性稀疏估计问题,如压缩感知的求解器,当i.i.d矩阵-它已被专门设计-被结构化算子,如傅立叶和阿达玛的取代。我们的经验表明,适当的随机化后,运营商的结构不会显着影响求解器的性能。此外,对于一些专门设计的空间耦合算子,这允许在压缩感知中的计算快速和存储器高效的重建达到信息理论极限。我们还展示了如何将这种方法应用于稀疏叠加码,允许近似消息传递解码器以大速率执行中等块长度。
2015-03-28 cond-mat.dis-nn cs.IT math.IT
A Compressed Sensing Framework of Frequency-Sparse Signals through Chaotic Systems
提出了一种基于混沌动力学系统的频率稀疏信号压缩感知(CS)获取与重构框架。稀疏信号作为离散时间混沌系统的激励项,通过对系统输出进行下采样得到压缩测量。利用脉冲混沌同步原理,通过对激励系数的估计,实现了系统的重构。使用了范数正则化非线性最小二乘来求估计.所提出的框架是很容易实现的,并创建安全的测量。以Henon映射为例说明了该方法的原理和性能。
2011-12-14 cs.IT math.IT nlin.CD
On the Foundation of Sparse Sensing (Part II): Diophantine Sampling and Array Configuration
在系列论文的第二部分,我们开始研究稀疏感知的算法效率。源于互质感知,我们提出了一个广义的框架,称为丢番图传感,它利用一般丢番图方程理论和高阶稀疏标尺,以加强采样时间,自由度(DoF),和采样稀疏性,同时。借助于高阶矩统计,提出的丢番图框架提出了两个根本的改进。首先,在频率估计上,我们证明了在任意大的下采样率下,存在采样方案,其中所需的样本数仅与DoF和所需的快照数之和成比例,这意味着线性采样时间。其次,在到达方向(DoA)估计,我们提出了两种通用的阵列结构,使得给定N个传感器,传感器之间的最小距离可以是N,O(N^q)的多项式,这表明,一个任意稀疏的阵列(具有任意小的互耦)存在给定足够多的传感器。此外,渐近地,所提出的阵列配置产生的最佳已知的自由度界相比,现有的稀疏阵列设计。
2021-08-23 cs.IT math.CO 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
SAT-based Compressive Sensing
我们建议将压缩感知的原始适定性问题简化为加权MAX SAT。压缩传感是一种新颖的随机数据采集方法,其以远低于Nyquist-Shannon采样率的速率对稀疏或可压缩信号进行线性采样。压缩感知在稀疏恢复中的原始问题是NP难的;因此,除了对稀疏解的唯一性的限制之外,编码矩阵还必须满足额外的严格约束-通常是限制等距属性(RIP)-因此我们可以通过其凸或非凸松弛来处理它。在实践中,这些约束不仅难以验证,而且在广泛的应用中也是无效的。我们首先将压缩感知的适定性问题划分为松弛的子问题,并将它们表示为合取范式(CNF)中的单独SAT实例。合并产生的子问题后,我们分配权重的所有条款,以这样一种方式,聚合的加权最大-SAT可以保证成功恢复原始信号。在我们的方法中,唯一的要求是相关问题的解决方案的唯一性,这是显着宽松。作为概念证明,我们证明了我们的方法在解决二进制压缩感知与二进制设计矩阵的原始问题的适用性。实验结果表明,所提出的基于SAT的压缩感知优于$\ell_1$ -最小化的稀疏二进制信号的鲁棒恢复。基于SAT的压缩感知平均需要少8.3%的测量来精确恢复高度稀疏的二进制信号($s/N\approx 0.1$)。当$s/N \approx 0.5$时,$\ell_1$最小化平均需要多22.2%的测量以精确重建二进制信号。因此,所提出的基于SAT的压缩感知对原始信号的稀疏性不太敏感。
2019-05-25 cs.IT math.IT
Joint Sparsity Pattern Recovery with 1-bit Compressive Sensing in Sensor Networks
我们研究的问题,联合稀疏支持恢复与1位压缩测量传感器网络。传感器被假定为观察具有相同但未知的稀疏支持的稀疏信号。每个传感器将其测量矢量逐元素量化为1位,并将量化的观测值发送到融合中心。我们开发了一个计算上易于处理的支持恢复算法,最大限度地减少了成本函数定义的似然函数和$l_{1,\infty}$规范。我们观察到,即使有噪声的1位测量,联合稀疏支持可以准确地恢复与多个传感器,每个收集只有少量的测量。
2015-06-01 cs.IT math.IT
Maximum Likelihood Estimation from Sign Measurements with Sensing Matrix Perturbation
研究了传感矩阵摄动情况下由符号测量值估计未知确定性参数向量的问题。我们通过探索相应的Cramér-Rao下限(CRLB)来分析最佳可实现的均方误差(MSE)性能。为了估计参数,最大似然(ML)估计,并证明其一致性。我们发现,在大多数情况下,感知矩阵的扰动加剧了ML估计的性能。但在某些特殊情况下,适当的扰动可以改善系统的性能。然后,我们将原始ML估计问题转化为凸优化问题,可以有效地解决。此外,理论分析表明,忽略扰动的估计是一个缩放版本的ML估计具有相同的方向。最后,数值模拟验证了我们的理论分析。
2013-12-08 cs.IT math.IT
On RIC bounds of Compressed Sensing Matrices for Approximating Sparse Solutions Using $\ell_q$ Quasi Norms
本文是继最近的讨论与准范数$\ell_q,~q\in(0,1)$的稀疏解恢复时的传感矩阵具有一个限制等距常数$δ_{2k}$(RIC)。我们的主要工具是对“广义Cauchy-Schwarz不等式的逆”的一个推广到拟范数下的改进。我们证明,如果$δ_{2k}\le 1/2$,任何极小的$l_q$极小化,至少对于那些$q\in(0,0.9181]$,是相应的欠定线性系统的稀疏解。此外,如果是$δ_{2k}\le0.4931$,则稀疏解可以通过任何$l_q, q\in(0,1)$最小化来恢复。值$0.9181$和$0.4931$改进了文献中先前报告的值。
2013-12-12 cs.IT math.IT math.OC
DASS: Distributed Adaptive Sparse Sensing
无线传感器网络通常被设计为执行两项任务:感知物理场并将数据传输给最终用户。无线传感器网络设计的一个关键方面是最小化整体能耗。以前的研究人员旨在优化通信所花费的能量,而大多忽略了由于传感而产生的能量成本。最近,已经表明,考虑感测能量成本可以有利于进一步提高整体能量效率。更准确地说,稀疏感知技术被提出来减少收集的样本量,并通过使用数据统计来恢复丢失的数据。虽然大多数这些技术使用固定或随机的采样模式,我们建议自适应地学习信号模型的测量和使用该模型来安排何时何地采样的物理场。所提出的方法需要最小的板上计算,没有节点间的通信,仍然取得了吸引人的重建性能。通过对真实世界数据集的实验,我们证明了传统传感方案和最先进的稀疏传感方案的显着改进,特别是当测量数据具有较强的传感器内(时间)或传感器间(空间)相关性时。
2013-11-07 cs.IT cs.NI math.IT
A Sublinear Algorithm for Sparse Reconstruction with l2/l2 Recovery Guarantees
压缩感知的目标是使用非常少的测量来捕获稀疏信号的属性。Candès和Tao表明,如果传感矩阵在所有$\boldsymbol{k}$稀疏信号上充当近等距,则稀疏重建是可能的。如果矩阵的元素是由iid Gaussian或Bernoulli过程生成的,则该性质以压倒性的概率成立。最近,人们对替代信号处理框架产生了极大的兴趣;利用确定性感测矩阵,该确定性感测矩阵以压倒性的概率充当具有均匀随机支持的$\boldsymbol{k}$稀疏向量上的近等距,这是一种称为统计限制等距属性或StRIP的几何条件。本文考虑了一类基于\srm码(二进制啁啾)的满足StRIP的确定性感知矩阵和一种具有次线性复杂度的$\boldsymbol{k}$稀疏重构算法。在存在随机噪声的数据域中,本文推导出界的$\boldsymbol{\ell_2}$精度的近似的$\boldsymbol{\ell_2}$规范的测量噪声和最佳的$\boldsymbol{k}$ -稀疏近似的精度,也测量在$\boldsymbol{\ell_2}$规范。这种类型的$\boldsymbol{\ell_2 /\ell_2}$界限比标准$\boldsymbol{\ell_2 /\ell_1}$或$\boldsymbol{\ell_1/ \ell_1}$界限更紧。
2009-10-17 cs.IT math.IT
A Simple Homotopy Proximal Mapping for Compressive Sensing
在本文中,我们提出了一种新颖而简单的同伦邻近映射算法的压缩感知。该算法在每次迭代中采用$\ell_1$范数的简单近似映射,并逐渐减小$\ell_1$范数的正则化参数。我们证明了所提出的同伦邻近映射(HPM)算法在三种不同的设置下解决压缩感知的全局线性收敛性(i)无噪声测量下的稀疏信号恢复,(ii)噪声测量下的稀疏信号恢复,以及(iii)亚高斯噪声测量下的近稀疏信号恢复。特别地,我们表明,当测量矩阵满足限制等距属性(RIP)时,我们在设置(i)和(ii)中的理论结果几乎恢复了压缩感知的RIP常数的最佳条件。此外,在设置(iii)中,我们的稀疏信号恢复的结果优于以前的结果,而且我们的分析明确表明,更多的观察不仅导致更准确的恢复,而且收敛速度更快。与以往的线性收敛稀疏信号恢复的研究相比,我们的算法是简单和有效的,我们的结果是更好的,并提供更多的见解。最后,我们的实证研究为同伦邻近映射算法提供了进一步的支持,并验证了理论结果。
2016-08-26 cs.IT math.IT
Block-length dependent thresholds in block-sparse compressed sensing
压缩感知中最基本的问题之一是求解欠定线性方程组。虽然这个问题看起来相当困难,但某些$\ell_1$ -优化算法在解决这个问题上似乎是非常成功的。\cite{CRT,DonohoPol}最近的工作严格证明了这一点(在一个大的维度和统计背景下),如果方程的数量(压缩感知术语中的测量)与未知向量的长度成比例,则存在稀疏性(未知向量的非零元素的数目)也与未知向量的长度成比例,使得$\ell_1$优化算法成功地求解该系统。在最近的论文\cite{StojnicICASSP09block,StojnicJSTSP09}中,我们考虑了所谓的\textbf{block}(稀疏未知向量)的设置。在一个大的维度和统计的背景下,我们确定了尖锐的下限值的允许稀疏性为任何给定数量(比例的未知向量的长度)的方程,使$\ell_2/\ell_1$优化算法成功地解决了系统。在\cite{StojnicICASSP09block,StojnicJSTSP09}中建立的结果假设块稀疏向量的块长度相当大。在本文中,我们考虑的块长度是一个参数的系统。因此,我们然后建立尖锐的下限值的允许块稀疏的块长度的函数。
2009-07-21 cs.IT math.IT
Compressed Sensing of Simultaneous Low-Rank and Joint-Sparse Matrices
在本文中,我们考虑从一组不完整且有噪声的线性测量中恢复高维数据矩阵的问题。我们引入了一个新的模型,可以有效地限制自由度的问题,是通用的,足以找到很多的应用,例如在多通道信号压缩传感(如传感器网络,高光谱成像)和压缩稀疏主成分分析(S-PCA)。我们假设数据矩阵同时具有低秩和联合稀疏结构,我们提出了一种新的方法,有效的压缩感知(CS)的数据。我们的CS恢复方法是基于一个凸最小化问题,结合了这种限制性的结构,共同正则化的解决方案,其核(迹)规范和L2/L1混合规范。我们的理论分析使用了一个新的概念,限制等距属性(RIP),并表明,采样方案满足RIP,我们的方法可以稳定地恢复所有低秩和联合稀疏矩阵。对于一类满足特定浓度界的随机抽样方案(例如,亚高斯系综),我们推导出CS测量的数量上的下限,表明我们的恢复方法的接近最优性以及与最先进的技术相比的显著增强。我们引入了一种基于邻近演算的迭代算法,以解决联合核和l2/l1范数极小化问题,最后通过一系列数值实验说明了这种方法的经验恢复相变。
2012-11-21 cs.IT math.IT