Narrowband Channel Estimation for Hybrid Beamforming Millimeter Wave Communication Systems with One-bit Quantization
毫米波（mmWave）频谱由于其巨大的可用带宽而引起关注。毫米波频带中的高传播损耗需要使用大量天线进行波束成形。传统上，每个天线都与高速模数转换器（ADC）配对，这导致高功耗。为了降低功耗，人们提出了混合波束成形架构和一位分辨率ADC。然而，模拟波束成形和一比特量化使得信道估计更具挑战性。本文提出了一种基于广义近似消息传递（GAMP）的毫米波通信系统窄带信道估计算法。我们通过仿真表明，1）GAMP变体与一位ADC具有更好的性能比没有量化的最小二乘估计方法，2）所提出的一位GAMP算法实现了最低的估计误差的GAMP变体中，和3）利用更多的帧和RF链提高信道估计性能。
2018-05-30 cs.IT math.IT
Quantization Design and Channel Estimation for Massive MIMO Systems with One-Bit ADCs
研究了上行链路多用户大规模MIMO系统的信道估计问题。为了显著降低系统的硬件成本和功耗，在基站（BS）使用1位模数转换器（ADC）对接收信号进行解调。由于粗量化导致的严重失真，1比特大规模MIMO系统的信道估计具有挑战性。以前的研究表明，需要非常长的训练序列才能获得可接受的性能。本文研究了一比特大规模MIMO系统中信道估计的最优一比特量化设计问题。我们的分析表明，如果量化阈值是最佳设计的，使用一位ADC可以实现的估计误差接近（增加了一个因素的$π/2$），一个理想的估计器，可以访问未量化的数据。然而，最佳量化阈值取决于未知的信道参数。为了应付这个困难，我们提出了一个自适应量化（AQ）的方法，其中的阈值自适应调整的方式，使阈值收敛到最佳阈值，和随机量化（RQ）计划，随机生成一组不相同的阈值的基础上的一些统计先验知识的信道。仿真结果表明，我们提出的AQ和RQ方案，由于他们明智地设计的阈值，提出了一个显着的性能改善传统的固定量化方案，使用一个固定的（通常为零）阈值，同时实现了大量的训练开销减少信道估计。特别地，即使具有中等数量的导频符号（大约是用户数量的5倍），AQ方案也可以提供接近于完美信道状态信息（CSI）情况的可实现速率的可实现速率。
2017-04-16 cs.IT math.IT
Distributed Functional Scalar Quantization Simplified
分布式泛函标量量化（DFSQ）理论提供了最优性条件，并预测了数据采集系统的性能，在该系统中，需要对所采集的数据进行计算。我们解决了以前的作品的两个限制：过于昂贵的解码器设计和限制源有界分布。我们严格表明，一个简单得多的解码器具有等价的渐近性能的条件期望估计先前探索，从而降低解码器的设计复杂度。简单的解码器具有解耦的通信和计算块的特征。此外，我们扩展了DFSQ框架与更简单的解码器，以获取源无限支持分布，如高斯或指数分布。最后，通过仿真结果，我们证明了在中等编码速率的性能是很好的预测的渐近分析，我们给出了新的见解的收敛速度。
2012-06-06 cs.IT math.IT
Scalar Quantization with Random Thresholds
确定了某些随机设计的标量量化器的失真率性能。中心的结果是均方误差失真和输出熵量化的均匀随机变量的阈值独立地从均匀分布。失真最多是最佳（确定性设计的）量化器的失真的6倍，并且对于大量的级别，输出熵减少大约（1-gamma）/（ln 2）比特，其中gamma是欧拉-马斯切罗尼常数。这表明，在熵约束的上下文中，这些量化器的高速率渐近失真比最佳量化器差至多6倍exp（-2（1-gamma））。
2011-07-06 cs.IT math.IT
Interactive Scalar Quantization for Distributed Resource Allocation
在许多资源分配问题中，集中式控制器需要将某些资源授予从分布式用户集合中选择的用户，目标是最大化用户将从资源接收的效用。这可以被建模为控制器计算分布式用户效用的极值。使控制器能够再现用户的本地状态所需的开销率可能非常高。减少这种开销的方法是交互式通信，其中通过容忍延迟的增加来实现速率节省。在本文中，我们考虑设计一个简单的可实现的方案的基础上连续细化的标量量化在每个用户。通过一个动态的程序计算的最佳量化策略，我们证明，容忍一个小的延迟增加可以产生显着的速率节省。然后，我们考虑两个更简单的量化政策，调查的缩放性能的速率延迟权衡。使用这些更简单的策略的组合，最优策略的性能可以以更低的计算成本接近。
2015-09-06 cs.IT math.IT
Subspace and DOA estimation under coarse quantization
研究粗量化数据下的波达方向估计，提出基于协方差估计与 ESPRIT 算法的两步法，分析了结合矩形与三角形抖动的量化方案，推导了高概率误差界限，并验证了三角形抖动在特定场景下的优越性与估计的最优性。
2025-08-11 cs.IT math.IT
Performance Analysis for Channel Estimation with 1-bit ADC and Unknown Quantization Threshold
在这项工作中，从一个低复杂度的模拟-数字转换器（ADC）与$1$位输出分辨率和未知的量化阈值获得的测量信号参数估计的问题被认为是。单比较器ADC具有高能效，可以超高采样率工作。对于这样的系统的分析，通常假设一个固定的和已知的量化阈值。在对称的情况下，即，零硬限制偏移，众所周知，与理想的$\infty$位转换器相比，在低信噪比（SNR）状态下，信号处理性能适度降低${2}/π$（$-1.96$ dB）。由于硬件缺陷，低复杂度$1$位ADC在实践中将表现出不同于零的未知阈值。因此，我们研究了接收数据经过量化水平未知的硬限幅器处理后，使用渐近最优信道估计算法所能获得的精度。为了表征这些非线性算法的估计性能，我们采用解析误差表达式为不同的设置，同时建模的偏移作为一个讨厌的参数。在低信噪比制度，我们建立了必要的条件消失的损失，由于丢失的偏移知识在接收机。作为一个应用，我们认为，单输入单输出无线信道的符号间干扰的估计和验证我们的分析，通过比较分析和实验性能的研究估计算法。最后，我们评论的扩展到多输入多输出信道模型。
2018-03-21 cs.IT math.IT
Optimal Index Assignment for Multiple Description Scalar Quantization
我们提供了一种方法来设计一个最佳的标量K描述编码的索引分配。该方法源于平移标量晶格的构造，其通过利用所谓的交错增益来提供性能优势。有趣的是，最佳索引分配的生成是基于K-1维空间中的格。K-1维格的使用有利于分析洞察的性能，并消除了对贪婪优化的索引分配的需要。证明了最优索引分配不是唯一的。这说明了两个描述的情况下，其中周期性的索引分配是从可能的最佳分配，并详细描述。新的索引分配被应用到设计的K-描述量化器，这是优于参考K-描述量化器在高速率。由于交错增益的性能优势随着描述之间的冗余度的增加而增加。
2011-09-12 cs.IT math.IT
Gridless Angular Domain Channel Estimation for mmWave Massive MIMO System With One-Bit Quantization Via Approximate Message Passing
针对一比特量化毫米波（mmWave）大规模多输入多输出（MIMO）系统，提出了一种波达方向和信道估计算法。通过制定的估计问题作为一个嘈杂的一位压缩感知问题，我们提出了一个计算效率的无网格解决方案的基础上的期望最大化广义近似消息传递（EMGAMP）的方法。该算法不需要先验知识的DoA的数量，并优于现有的方法在区分非常接近的DoA的情况下，一位量化。对于一比特量化的情况，估计DoA和信道系数两者。仿真结果表明，该算法在目标方位非常接近的情况下具有较好的估计性能。
2019-09-23 cs.IT eess.SP math.IT
Scalar Quantization for Audio Data Coding
本文研究了音频编解码器中变换系数的标量量化。广义高斯分布（GGD）被用作调制重叠变换（MLT）或修正余弦变换（MDCT）滤波器组获得的变换系数的一维概率密度函数的近似。与理论上可实现的率失真函数进行比较，提供了该模型的基本原理。从一个大的数据库的样本的真实序列获得的随机序列计算的率失真函数进行比较，由GGD随机发生器获得的随机序列计算。提出了一种构造扩展零区量化器的简单算法。仿真结果表明，EZZ量化器产生的编码效率相比，最佳标量量化器可以忽略不计的损失。此外，我们描述了一个自适应版本的EZZ量化器，它有效地与低比特率的要求发送边信息
2008-06-26 cs.IT cs.MM math.IT
Gaussian Rate-Distortion-Perception Coding and Entropy-Constrained Scalar Quantization
本文研究高斯率-失真-感知函数的已知界，证明其非退化性，给出Wasserstein-2距离下的改进下界，并揭示这些界在弱感知约束下通常不紧。
2024-09-04 cs.IT cs.LG math.IT
Correlated quantization for distributed mean estimation and optimization
Google Research（谷歌研究院）
研究了通信约束下的分布均值估计和优化问题。我们提出了一个相关的量化协议，其领先的长期在误差保证取决于数据点的平均偏差，而不仅仅是他们的绝对范围。该设计不需要任何关于数据集浓度属性的先验知识，这是在以前的工作中获得这种依赖性所必需的。我们表明，应用该协议的子例程在分布式优化算法导致更好的收敛速度。我们还证明了我们的协议在温和的假设下的最优性。实验结果表明，我们提出的算法优于现有的均值估计协议在不同的任务集。
2022-07-08 cs.DS cs.IT cs.LG
Covariance estimation under one-bit quantization
我们考虑经典的问题估计的协方差矩阵的亚高斯分布从独立同分布。在粗量化的新环境中的采样，即，不是完全了解采样，而是将它们量化为每个条目一个或两个比特。这个问题在信号处理应用中自然发生。我们引入新的估计在两个不同的量化方案，并获得非渐近估计误差界的运营商的范数。在第一种情况下，我们考虑一个简单的，尺度不变的一位量化器，并得出一个中心高斯分布的相关矩阵的估计结果。在第二种情况下，我们将随机抖动添加到量化器。在这种情况下，我们可以通过收集每个样本的每个条目的两个比特来准确地估计一般亚高斯分布的完整协方差矩阵。在这两种情况下，我们的界限适用于掩蔽协方差估计。我们证明了我们的误差界的近似最优性，推导相应的（极大极小）下界和使用数值模拟。
2022-04-22 cs.IT math.IT math.ST
Task-Based Quantization for Channel Estimation in RIS Empowered MmWave Systems
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Qualcomm Technologies, Inc.（高通技术公司）；Weizmann Institute of Science（魏茨曼科学研究所）；Ewha Womans University（梨花女子大学）
本文针对RIS赋能的毫米波系统，提出基于任务的量化信道估计方法，利用混合架构和半无源元件，在低分辨率ADC下最小化均方误差，性能优于纯数字方法并接近无限分辨率ADC。
2025-10-16 cs.IT eess.SP math.IT
Quantizing Heavy-tailed Data in Statistical Estimation: (Near) Minimax Rates, Covariate Quantization, and Uniform Recovery
本文提出截断与抖动预处理结合均匀量化的方案，证明在协方差估计、压缩感知和矩阵补全中可实现近极小极大误差速率，并针对协变量量化下的非凸恢复及重尾噪声建立近最优一致恢复保证。
2023-07-26 cs.IT math.IT math.ST
Gaussian Approximation of Quantization Error for Estimation from Compressed Data
我们考虑了高维信号$X$使用随机球码的有损压缩表示与加性高斯白噪声（AWGN）下$X$的观测之间的分布连接。我们发现，在一个AWGN信道的信号噪声比$2^{2R}-1$的$X$和它的观察的比特率- $R$压缩版本之间的Wasserstein距离是次线性的问题的维度。我们利用这一事实来连接基于$X$的AWGN损坏版本的估计器的风险，以获得相同的估计器时，其比特率- $R$量化的版本。我们证明了这种连接的有用性，推导出各种新的结果压缩约束下的推理问题，包括极大极小估计，稀疏回归，压缩感知，和线性估计在远程信源编码的普遍性。
2021-12-12 cs.IT math.IT stat.ML
Optimal Scalar Quantization for Matrix Multiplication: Closed-Form Density and Phase Transition
Stanford University（斯坦福大学）
研究矩阵乘法前的逐元素标量量化，推导高分辨率下MSE的闭式密度和相变特性，适用于矩阵乘法量化和大语言模型激活量化。
2026-03-20 cs.AI cs.IT math.IT
Optimizing Learned Image Compression on Scalar and Entropy-Constraint Quantization
Fraunhofer Institute for Telecommunications – Heinrich Hertz Institute（弗劳恩霍夫电信研究所——海因里希·赫兹研究所）；Institute of Computer Science（计算机科学研究所）；Free University of Berlin（柏林自由大学）；Department of Telecommunication Systems（电信系统系）
针对学习型图像压缩中量化近似失配问题，提出端到端训练后基于真实量化隐变量的微调步骤，在不增加推理复杂度的情况下提升标量与熵约束压缩性能。
2025-06-10 cs.AI cs.IT cs.LG
