Online Recovery Guarantees and Analytical Results for OMP
正交匹配追踪(OMP)是一个简单的,但经验上有竞争力的稀疏恢复算法。最近的发展表明,OMP保证精确恢复K-稀疏信号与K或K个以上的迭代,如果观察矩阵满足限制等距属性(RIP)的某些条件。我们开发了基于RIP的在线保证K-稀疏信号的恢复超过K OMP迭代。虽然这些保证不能推广到所有稀疏信号的先验,我们表明,他们仍然可以保持在线时,最先进的K步恢复保证失败。此外,我们提出了正确的和错误的指数的数量上的界限,在支持估计的派生条件是限制性较低的K-步保证。在这些界限下,该条件保证在3 K/2次迭代内精确恢复K稀疏信号,这远小于现有技术的具有多于K步的精确恢复保证所需的步数。此外,我们提出的OMP的相变相比,基础追求和子空间追求,这是经过广泛的恢复模拟,涉及不同的稀疏信号类型。最后,我们实证分析的支持估计,这表明这些不违反开发的上限在实践中的假指标的数量。
2013-03-29 cs.IT math.IT
Adaptive Sparse Channel Estimation for Time-Variant MIMO-OFDM Systems
在使用正交频分复用(OFDM)调制的时变多输入多输出(MIMO)通信系统中,相干检测需要精确的信道状态信息(CSI)。基于归一化最小均方(NLMS)的自适应信道估计是一种低复杂度、稳定的自适应信道估计方法。然而,它不能利用MIMO信道固有的稀疏性,其特征在于由几个主导信道抽头。在本文中,我们提出了两种自适应稀疏信道估计(ASCE)的方法,以利用这种稀疏的结构信息的时变MIMO-OFDM系统。与传统的基于NLMS算法的方法不同,本文提出的两种方法都是通过在NLMS算法的代价函数中引入稀疏惩罚来实现的。计算机模拟证实了明显的性能优势,建议ASCE比传统的ACE。
2013-02-06 cs.IT math.IT
OFDM Channel Estimation Based on Adaptive Thresholding for Sparse Signal Detection
无线OFDM信道可以通过具有稀疏时域抽头的时变滤波器来近似。近年来,压缩感知等稀疏信号处理领域的研究成果极大地促进了稀疏性在估计中的应用,显著提高了估计性能。这些基于稀疏的方法的问题是需要一个稳定的变换矩阵,这在当前的传输设置中是不满足的。为了辅助接收器处的模拟滤波,发射器使带宽的两个边缘处的一些子载波未被使用,这导致病态DFT子矩阵。为了克服这个困难,我们提出了自适应稀疏信号检测(ATSSD)。仿真结果表明,该方法在时不变信道和时变信道下都能很好地工作,而其他方法在这些信道下都不能很好地工作。
2009-01-26 cs.IT math.IT
Distributed Adaptive LMF Algorithm for Sparse Parameter Estimation in Gaussian Mixture Noise
Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
提出了一种基于归一化最小均值四阶(NLMF)准则的非高斯噪声背景下稀疏未知参数估计的分布式自适应算法。在第一步中,局部自适应NLMF算法被修改为零范数,以加快收敛速度,并减少在稀疏条件下的稳态误差功率。然后,所提出的算法扩展到分布式的情况下,由于局部自适应滤波器的合作,估计性能得到了更大的改善。仿真结果表明,该算法与传统的NLMF算法相比,具有明显的优越性。
2015-12-08 cs.CL cs.IT math.IT
Performance Guarantees of the Thresholding Algorithm for the Co-Sparse Analysis Model
信号的共稀疏分析模型假设感兴趣的信号可以乘以分析字典Ω,从而产生稀疏结果。这个模型是一个有趣的替代更经典的基于合成的稀疏表示模型。在这项工作中,我们提出了一个理论研究的阈值算法的性能保证的追求问题中存在的噪声。我们的分析揭示了Ω的两个重要性质,它们决定了追踪性能:第一个是Ω中行集合之间的线性依赖程度,由相关稀疏水平描述。第二个属性,称为限制正交投影属性(ROPP),是这种依赖集与Ω中其他行之间的独立性水平。我们展示了这些字典属性是如何有意义和有用的,无论是在理论界推导,并在一系列的实验中,显示出与理论预测一致。
2012-03-13 cs.IT math.IT
Adaptive Blind Sparse-Channel Equalization
本文提出了一种分数范数约束的盲自适应稀疏信道均衡算法。从本质上讲,该算法通过增加稀疏诱导\(\ell_p\) -范数惩罚来改进恒模(CM)准则的最小化。仿真结果表明,所提出的正则化均衡器有效地利用了固有的信道稀疏性,并具有更快的收敛速度相比,它的同行。
2017-08-05 cs.IT math.IT
Ensemble Average Analysis of Non-Adaptive Group Testing with Sparse Pooling Graphs
本文提出系综平均方法,分析稀疏混合图非自适应组检测在两种算法下的虚警与漏检概率,并用数值算例验证其准确性。
2025-07-27 cs.IT math.IT
The Convergence Guarantees of a Non-convex Approach for Sparse Recovery
在稀疏恢复领域,大量研究表明非凸罚函数可能比凸罚函数具有更好的稀疏性,但迄今为止相应的非凸算法缺乏从初始解到全局最优解的收敛性保证。本文的目的是提供一个非凸的稀疏恢复方法的性能保证。具体地说,弱凸性的概念被纳入一类稀疏诱导惩罚来表征非凸性。借鉴投影次梯度法的思想,提出了一种求解非凸优化问题的算法。此外,在投影步骤中采用了一致的近似投影,使得该算法对于大规模问题的计算更容易处理。在有噪声的情况下,提供了收敛分析。研究表明,如果惩罚的非凸性低于阈值(与初始解和稀疏信号之间的距离成正比),则恢复的解在步长和噪声项上都具有线性恢复误差。数值仿真验证了该方法的有效性和理论分析的正确性。
2014-04-27 cs.IT math.IT
Two step recovery of jointly sparse and low-rank matrices: theoretical guarantees
我们介绍了一个两步算法的理论保证,以恢复一个联合稀疏和低秩矩阵的欠采样测量其列。该算法首先使用列的一组公共测量来估计矩阵的行子空间。在第二步中,使用简单的最小二乘算法解决矩阵的子空间感知恢复。在从欠采样测量中恢复CINE数据的背景下验证了结果;当采样条件满足时,我们获得了良好的恢复。
2015-06-02 cs.IT math.IT stat.ML
ROSA: Robust sparse adaptive channel estimation in the presence of impulsive noises
传统的自适应滤波算法基于高斯噪声模型假设,利用宽带无线信道的稀疏性,提出了基于高斯噪声模型的稀疏信道重构算法。然而,现有技术的算法在非高斯噪声模型(例如,脉冲噪声),其经常存在于许多先进的通信系统中。本文研究了脉冲噪声环境下基于变步长仿射投影符号算法的鲁棒稀疏自适应信道估计问题。具体来说,标准VSS-APSA算法进行了简要回顾,并提出了三个稀疏VSS-APSA算法,以利用信道稀疏性与不同的稀疏约束。为了公平地评估这些算法的性能,α稳定噪声被认为是近似模拟现实的脉冲噪声环境。仿真结果表明,在不同的脉冲环境下,所提出的算法都能获得比标准VSS-APSA算法更好的性能。
2015-03-03 cs.IT math.IT
Interpolation of Sparse Graph Signals by Sequential Adaptive Thresholds
本文研究了图上信号的插值问题。许多以前的方法考虑这个问题的一个主要假设是底层图形信号的低通/带限。然而,受稀疏信号重构研究成果的启发,我们考虑到图信号在图傅立叶变换(GFT)域中是相当稀疏/可压缩的,提出了基于自适应保持迭代法迭代法的图插值算法(IMATGI),并分析证明了该算法的收敛性。我们还证明了所提出的IMATGI算法在重建随机生成的稀疏图信号的有效性能。最后,我们认为推荐系统的广泛理想的应用程序,并通过模拟表明,IMATGI优于国家的最先进的算法在这个应用程序的基准数据集。
2017-05-06 cs.IT math.IT
Adaptive MIMO Channel Estimation using Sparse Variable Step-Size NLMS Algorithms
针对多输入多输出(MIMO)信道估计问题,将不变步长归一化最小均方(ISSNLMS)算法应用于自适应信道估计(ACE)。由于宽带信号传输,MIMO信道通常由稀疏信道模型描述,因此可以通过使用稀疏ISS-NLMS算法的自适应稀疏信道估计(ASCE)方法来利用这种稀疏性。众所周知,步长是控制算法稳定性、估计性能和计算成本三个方面的关键参数。以往的方法虽然能充分利用信道稀疏性,但步长保持不变,无法很好地平衡这三个方面,容易造成估计性能的损失或不稳定。在本文中,我们提出了两个稳定的稀疏可变步长NLMS(VSS-NLMS)算法,以提高MIMO信道估计的准确性。首先,推导了MIMO系统中估计MIMO信道的ASCE公式。其次,对ASCE的VSS-NLMS算法引入了不同的稀疏惩罚。此外,稀疏ISSNLMS算法和稀疏VSS-NLMS算法之间的差异进行了解释。最后,为了验证所提出的算法的有效性ASCE,几个选定的仿真结果表明,所提出的稀疏VSS-NLMS算法可以实现更好的估计性能比传统的方法,通过均方误差(MSE)和比特出错率(BER)的指标。
2014-07-23 cs.IT math.IT
Adaptive Sparse Channel Estimation for Time-Variant MISO Communication Systems
信道估计问题是时变多输入单输出(MSIO)通信系统的关键技术之一。为了估计MISO信道,将最小均方(LMS)算法应用于自适应信道估计(ACE)。由于MISO信道通常由稀疏信道模型描述,因此可以利用这种稀疏性,然后可以通过使用稀疏LMS算法的自适应稀疏信道估计(ASCE)方法来改善估计性能。然而,传统的ASCE方法有两个主要缺点:1)对训练信号的随机尺度敏感和2)在低信噪比(SNR)区域不稳定。为了克服这两个有害因素,本文提出了一种新的使用归一化最小均方误差(NLMS)算法的ASCE方法(ASCE-NLMS)。此外,我们还提出了一种改进的ASCE方法使用归一化最小均值四分之一(NLMF)算法(ASCE-NLMF)。提出的两种方法可以有效地利用信道的稀疏性。此外,所提出的方法的稳定性进行了数学推导。计算机模拟结果表明,所提出的稀疏信道估计方法比传统方法具有更好的估计性能。
2013-02-06 cs.IT math.IT
RZA-NLMF algorithm based adaptive sparse sensing for realizing compressive sensing problems
非线性稀疏感知(NSS)技术已被用于实现压缩感知在许多应用中,如雷达成像。与NSS不同的是,本文提出了一种自适应稀疏感知(ASS)方法,该方法使用重新加权的零吸引归一化最小均值四分之一(RZA-NLMF)算法,该算法取决于几个给定的参数,即,重权因子、正则化参数和初始步长。首先,基于独立假设,Cramer Rao下界(CRLB)推导出的商标的性能比较。此外,重新加权因子的选择方法,提出了实现鲁棒估计性能。最后,为了验证该算法,给出了基于Monte Carlo的计算机模拟,表明ASS实现了更好的均方误差(MSE)性能比NSS。
2014-03-02 cs.IT math.IT
Improved OMP Approach to Sparse Multi-path Channel Estimation via Adaptive Inter-atom Interference Mitigation
由于稀疏多径信道(SMPC)的大部分分量为零,因此可以从较短的训练序列中恢复SMPC的冲激响应。普通的正交匹配追踪(OMP)算法虽然能快速实现SMPC估计,但存在原子间干扰(IAI)问题,尤其是在SMPC具有大时延扩展和短训练序列的情况下。本文在一般OMP算法的基础上,提出了一种自适应IAI抑制方法,以提高SMPC估计的性能。与普通的OMP算法不同,该算法自适应地设计了一个感知字典,并有效地利用了后验信息,以防止由于严重的IAI而选择错误的原子。数值实验结果表明,基于自适应IAI抑制的广义OMP算法的性能优于普通OMP算法和基于非自适应IAI抑制的广义OMP算法。
2010-05-21 cs.IT math.IT
IMAC: Impulsive-mitigation adaptive sparse channel estimation based on Gaussian-mixture model
宽带频率选择性衰落信道通常具有固有的稀疏性。通过利用稀疏性,自适应稀疏信道估计(ASCE)方法,例如,在加性噪声满足高斯假设的情况下,重新加权的L1范数最小均方(RL 1-LMS)算法可以带来性能增益。然而,在实际的通信环境中,信道估计性能往往受到意外的非高斯噪声,包括传统的高斯噪声和脉冲干扰恶化。因此,为了设计稳定的通信系统,迫切需要发展先进的信道估计方法,以消除脉冲干扰并同时利用信道稀疏性。本文针对上述技术问题,提出了鲁棒的脉冲抑制自适应稀疏信道估计(IMAC)方法。具体而言,首先,非高斯噪声模型是由高斯混合模型(GMM)。其次,构造了加权L1-范数惩罚最小绝对误差标准(RL 1-LAE)算法的代价函数。在此基础上,推导了实现IMAC方法的RL 1-LAE算法。最后,提供了具有代表性的仿真结果来证实研究。
2015-03-03 cs.IT math.IT
An Improved RIP-Based Performance Guarantee for Sparse Signal Recovery via Orthogonal Matching Pursuit
最近报道的一个充分条件是,通过正交匹配追踪(OMP)在K次迭代中完美恢复K-稀疏向量的传感矩阵的限制等距常数满足delta_K+1<1/(sqrt(delta_K+1)+1)。通过利用由压缩时两个正交稀疏向量之间的可实现角度表征的近似正交条件,本文表明,delta的上限可以进一步放宽至delta_K+1<(sqrt(1+4*delta_K+1)-1)/(2K)。因此,该结果缩小了迄今为止最佳已知界限与最终性能保证delta_K+1<1/(2K)之间的差距。(sqrt(delta_K+1)),这是Dai和Milenkovic在2009年提出的。所提出的近似正交性条件也被利用来导出在几个压缩感知问题中用于信号重构的较少限制的充分条件,包括在噪声环境中通过OMP的信号恢复、压缩域干扰消除以及通过子空间追踪算法的支持识别。
2014-01-03 cs.IT math.IT
Adaptive low rank and sparse decomposition of video using compressive sensing
Rutgers University(罗格斯大学);Bell Labs(贝尔实验室);National University of Singapore(新加坡国立大学);Rice University(莱斯大学)
我们解决的问题,重建和分析监控视频使用压缩感知。我们提出了一种新的方法,进行视频重建的低秩和稀疏分解自适应。背景减除成为重建的一部分。在我们的方法中,使用背景模型,其中背景是自适应学习的压缩测量进行处理。自适应方法具有低延迟,并且比以前的方法更鲁棒。我们将提出实验结果来证明所提出的方法的优点。
2013-05-31 cs.CV cs.IT math.IT
Enhancing Channel Estimation for OTFS systems using Sparse Bayesian Learning with Adaptive Threshold
School of Information Science and Technology, Southwest Jiaotong University(西南交通大学信息科学与技术学院);National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室)
本文提出了一种基于自适应阈值的稀疏贝叶斯学习方法,用于增强OTFS系统的信道估计性能,有效解决低信噪比下的伪峰问题,提升抗噪能力和效率。
2025-12-08 cs.IT math.IT
Adaptive Recovery of Dictionary-sparse Signals using Binary Measurements
一比特压缩感知(CS)是稀疏恢复的高级版本,其中感兴趣的稀疏信号可以从极度量化的测量中恢复。也就是说,只有每个测量的符号对我们可用。在许多应用中,地面实况信号本身并不稀疏,但可以在冗余字典中表示。一个强大的研究线已经解决了传统的CS在这个信号模型,包括其扩展到一位测量。然而,一位CS遭受了实现预定义重构误差水平所需的极大量的测量。解决这个问题的一个常见的替代方案是利用自适应方案。自适应采样作用于采集的样本,以有效的方式跟踪信号。在这项工作中,我们利用自适应采样策略来恢复字典稀疏信号从二进制测量。对于这项任务,提出了一个多维阈值,将以前的信号估计到当前的采样过程。这种策略大大减少了精确恢复所需的测量次数。我们的证明方法是基于最近的工具,在高维几何,特别是随机超平面镶嵌和高斯宽度。我们通过严格的数值分析表明,该算法大大优于国家的最先进的方法。此外,我们的算法达到了指数误差衰减的量化测量的数量。
2019-10-19 cs.IT math.IT
Reconstruction of Randomly Sampled Sparse Signals Using an Adaptive Gradient Algorithm
稀疏信号可以通过使用压缩感测算法从减少的样本集合中恢复。在常见的方法中,在稀疏域中恢复信号。最近提出了一种用于稀疏信号重建的方法,该方法重建剩余的缺失样本/测量。可用的样本是固定的,而缺失的样本被认为是最小化变量。在时域中使用基于自适应梯度的算法来完成缺失样本/测量的恢复。提出了一种新的基于梯度方向角的参数自适应准则。提高了算法的计算效率。对于给定的一组缺失样本(重构变量),给出了恢复信号的唯一性定理。本文考虑了可用样本是均匀或非均匀采样信号的随机子集的情况。一个重新计算过程被用来重建非均匀采样的信号。统计实例的方法进行说明。
2015-04-26 cs.IT math.IT
Affine Combination of Two Adaptive Sparse Filters for Estimating Large Scale MIMO Channels
大规模多输入多输出(MIMO)系统被认为是实现下一代无线通信系统(5G)的有前景的技术之一,以增加空间上的自由度并增强链路可靠性,同时显著降低发射功率。然而,大规模MIMO系统的设计也对传统的一维信道估计技术提出了很大的挑战,这是由于长时延扩展和大量天线所导致的高复杂度和维数灾难问题。针对大规模MIMO系统中信道具有稀疏或簇稀疏结构的特点,提出了一种简单的仿射组合自适应稀疏信道估计方法,以降低复杂度并充分利用大规模MIMO系统中信道的稀疏性。首先,介绍了自适应最小均方(LMS)算法的问题形式和标准仿射组合。在此基础上,提出了一种基于两个稀疏LMS滤波器的仿射组合算法,并根据随机梯度搜索方法设计了一种近似最优仿射组合器。为了验证所提出的大规模MIMO信道估计算法的有效性,通过计算机模拟验证了所提出算法的有效性,其估计性能优于传统算法和传统方法。
2014-07-23 cs.IT math.IT
Maximum correntropy criterion based sparse adaptive filtering algorithms for robust channel estimation under non-Gaussian environments
稀疏自适应信道估计问题因其简单性和鲁棒性而成为宽带无线通信系统中的重要研究课题之一。到目前为止,许多稀疏感知的信道估计算法已经开发的基础上著名的最小均方误差(MMSE)准则,如零吸引最小均方(ZALMS),这是高斯假设下的鲁棒性。然而,在非高斯环境中,这些方法往往不再是鲁棒的,特别是当系统受到随机脉冲噪声干扰时。为了解决这个问题,我们在这项工作中提出了一个强大的稀疏自适应滤波算法,使用相关熵诱导度量(CIM)惩罚最大相关熵准则(MCC),而不是传统的MMSE准则的鲁棒信道估计。具体地说,MCC被用来减轻脉冲噪声,而CIM被采用,以有效地利用信道稀疏。理论分析和计算机模拟证实了所提出的方法。
2015-04-14 cs.IT math.IT
Working Locally Thinking Globally - Part I: Theoretical Guarantees for Convolutional Sparse Coding
在过去的十年中,著名的稀疏表示模型在各种信号处理任务中取得了显着的成果。然而,尽管其最初的目的是作为整个信号的全局先验,但由于使用学习词典时所需的计算约束,它通常用于建模低维补丁。最近已经提出了一种解决这个问题的方法,采用卷积稀疏表示模型。这种方法假设全局字典是带状循环矩阵的级联。虽然一些作品已经提出了算法解决方案的全球追求问题,在这个新的模式下,很少真正有效的保证是已知的成功,这样的方法。在这两部分工作的第一部分中,我们讨论了稀疏卷积模型的理论方面,为解决方案的唯一性和追踪算法的成功性的相应问题提供了第一个有意义的答案。为此,我们将数学量,如$\ell_0$范数,相互相干性和火花,推广到卷积设置中的对应物,其本质上捕获全局模型的局部测量。在一个配套文件中,我们扩展到一个嘈杂的制度,解决的稳定性的稀疏的解决方案和追求算法的分析,并通过简单的本地处理解决全球追求问题的实际方法。
2017-02-22 cs.IT 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
Single-Component Privacy Guarantees in Helper Data Systems and Sparse Coding with Ambiguation
我们调查的隐私(生物识别)模板保护的两种方法:助手数据系统和稀疏三进制编码模糊。特别是,我们专注于一个经常被忽视的隐私属性,即有多少泄漏存在一个特定的二进制属性的特征向量的一个组件。该属性例如是超过阈值的符号或指示符。我们提供的证据表明,这两种方法都能够保护这种敏感的二进制变量,并讨论如何系统参数需要设置。
2019-10-01 cs.CR cs.IR cs.IT
Non-Adaptive Group Testing based on Sparse Pooling Graphs
本文对基于稀疏池图的非自适应群测试方案进行了信息论分析。待测对象的二进制状态由i.i.d.一个(l,r,n)-正则池化图是一个左节点度为l,右节点度为r的二部图,其中n是左节点的个数。考虑两种情况:无噪声设置和噪声设置。本文的主要贡献是直接部分定理,给出了实现任意小估计误差概率的估计量存在的条件。通过对(l,r,n)-正则池图系综上典型集合估计器的估计误差概率的上界求平均,证明了直部定理。数值结果表明,尖锐的阈值行为的渐近制度。
2013-04-26 cs.IT math.IT
Study of Adaptive Reweighted Sparse Belief Propagation Decoders for Polar Codes
针对极化码解码,本文提出自适应重加权稀疏置信传播解码器AR-SBP,通过重加权对数似然比改善消息传递,并分析其收敛性与复杂度,在较少迭代下优于现有算法。
2024-04-06 cs.IT math.IT
Adaptive Path Interpolation for Sparse Systems: Application to a Simple Censored Block Model
最近,一种新的自适应路径插值方法已经发展成为一种简单而通用的计划,以准确地计算定义在稠密因子图上的贝叶斯推理问题的渐近互信息。这些包括随机线性和广义估计,稀疏叠加码,或低秩矩阵和张量估计。对于所有这些系统,自适应插值方法直接证明了副本对称预测是准确的,在一个简单和统一的方式。当推理问题的基本因子图稀疏时,副本预测相当复杂,并且通常缺乏严格的结果或通过相当复杂的方法获得。在这项工作中,我们将展示如何扩展的自适应路径插值方法稀疏系统。我们专注于删失块模型,其中隐变量通过二进制擦除通道测量,我们充分证明了副本预测。
2019-07-18 cond-mat.dis-nn cs.IT math-ph
Distilled Sensing: Adaptive Sampling for Sparse Detection and Estimation
自适应采样的结果显着改善恢复稀疏信号在高斯白噪声。提出并分析了一种称为蒸馏传感(DS)的顺序自适应采样和细化过程。DS是一种多阶段试验设计和测试的形式。由于数据收集的自适应性质,DS可以检测和定位比非自适应测量可能的信号弱得多的信号。特别是,可靠的检测和定位(支持估计),使用非自适应样本是可能的,只有当信号幅度的增长与问题的维度。在这里,它示出,使用自适应采样,可靠的检测是可能的,提供的幅度超过一个常数,和本地化是可能的,当幅度超过任何任意缓慢增长的功能的尺寸。
2010-05-27 cs.IT math.IT math.ST
Guaranteed blind deconvolution and demixing via hierarchically sparse reconstruction
盲解卷积问题相当于从信号和滤波器的卷积中重建这两者。它构成了数学和工程文献中的一个突出主题。在这项工作中,我们分析了一个稀疏版本的问题:过滤器$h\in \mathbb{R}^μ$被假设为$s$ -稀疏,信号$b \in \mathbb{R}^n$被认为是$σ$ -稀疏,都支持未知。我们观察到滤波器和信号的线性变换之间的卷积。实际上重要的多用户通信应用的动机,我们得到一个恢复保证同时去混合和去卷积设置。我们实现了有效的恢复放松的问题,层次稀疏恢复,我们可以建立一个灵活的框架。同时,为此,我们付出了一些次优保证的代价,与问题的自由参数的数量相比。我们考虑的信号模型是足够普遍的捕捉在许多工程领域的许多应用。尽管他们的实际重要性,我们提供了第一个严格的性能保证,高效和简单的算法的双稀疏和广义的分层设置。我们补充我们的分析结果,提出了数值模拟的结果。我们发现的证据表明,次优缩放$s^2σ\log(μ)\log(n)$我们推导出的充分条件可能过于悲观,所观察到的性能是更好地描述的缩放比例$ sσ$的对数因子。
2021-11-05 cs.IT cs.NA math.IT
Adaptive Convex Combination of APA and ZA-APA algorithms for Sparse System Identification
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
本文提出一种自适应凸组合方法,结合APA和ZA-APA算法,用于稀疏系统辨识,能动态适应系统稀疏性,提升性能。
2015-09-10 cs.IT cs.SY eess.SY
Information-Theoretic Bounds for Adaptive Sparse Recovery
Boston University(波士顿大学)
我们推导出一个信息理论的样本复杂性在稀疏恢复问题,输入可以选择顺序和自适应的下界。这个下界是一个简单的互信息表达式,并统一了许多不同的线性和非线性观测模型。使用这个公式,我们得出自适应压缩感知(CS),组测试和1位CS问题的界限。我们发现,自适应不能降低样本复杂性组测试,1位CS和CS与线性稀疏。相比之下,我们表明,CS在次线性制度可能有温和的性能增益。我们的统一分析还允许表征的增益,由于从更广泛的角度对稀疏问题的自适应性。
2014-04-29 cs.IT cs.LG math.IT
Sparse Sampling in Fractional Fourier Domain: Recovery Guarantees and Cramér-Rao Bounds
本文针对分数阶傅里叶变换域的稀疏采样问题,提出了一种避免频谱泄漏的时域稀疏恢复方法并给出适用于任意FrFT带限核的采样定理,同时推导了Cramér-Rao Bounds以填补文献空白。
2024-04-29 cs.IT eess.SP math.IT
Adaptive Combination of l0 LMS Adaptive Filters for Sparse System Identification in Fluctuating Noise Power
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
最近,l0-最小均方(l0-LMS)算法已被提出来识别稀疏线性系统,通过采用稀疏促进连续函数作为l0最小均方惩罚的近似。然而,该算法的性能是敏感的一些参数负责零吸引强度的适当选择。该参数的最佳选择取决于系统中占主导地位的信噪比(SNR)。因此,很难确定该参数的合适值,特别是在SNR随时间波动的情况下。在这项工作中,我们提出了几种自适应组合不同参数的l0-LMS得到一个整体令人满意的性能独立的SNR,并讨论了一些问题,这些组合结构。我们还展示了一个有效的部分更新计划,不仅减少了每次迭代的计算次数,但也实现了一些有趣的性能增益相比,完整的更新情况。然后,我们提出了一个新的递归最小二乘(RLS)型规则更新的组合参数更有效。最后,我们将两个滤波器的组合扩展到M个自适应滤波器的组合,这表明当M > 2时,进一步改进。
2016-05-10 cs.IT cs.LG math.IT
Sparse and Private Distributed Matrix Multiplication with Straggler Tolerance
本文研究将两个私有稀疏矩阵乘法外包给不可信工作节点的问题,构建了推广Shamir方案的稀疏秘密共享方案,在固定阈值下提供最强隐私保证并容忍掉队者。
2023-06-27 cs.DC cs.IT math.IT
Robust Adaptive Sparse Channel Estimation in the Presence of Impulsive Noises
Akita Prefectural University(秋田公立大学);Xi’an Jiaotong University(西安交通大学)
本文提出基于符号最小均方算法的鲁棒稀疏自适应滤波算法,用于信道估计和抑制脉冲噪声,通过不同稀疏诱导惩罚函数提升算法鲁棒性。
2015-02-19 cs.IT cs.SY eess.SY
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
Guaranteed sparse signal recovery with highly coherent sensing matrices
Claremont McKenna College(克莱蒙特麦肯纳学院);Alcatel-Lucent(阿尔卡特朗讯)
本文提出PartInv算法,解决高相干感知矩阵下的稀疏信号恢复问题,提供理论支持和实证比较。
2014-04-01 cs.IT cs.NA math.IT
On the Fundamental Limits of Recovering Tree Sparse Vectors from Noisy Linear Measurements
最近在压缩感知(CS)的突破性成果已经建立,许多高维信号可以准确地恢复从相对少量的非自适应线性观测,只要信号具有稀疏表示在一些基础上。随后的努力表明,CS的性能可以通过在推断期间利用非零信号系数的位置中的附加结构,或者通过在感测过程期间利用某种形式的数据相关的自适应测量聚焦来改善。据我们所知,我们自己以前的工作是第一个建立融合自适应感知和结构化稀疏概念时可以实现的潜在好处-该工作研究了从噪声线性测量中恢复支持的任务,并确定了专门针对树稀疏信号的自适应感测策略可以显著优于自适应和非自适应感测策略。对底层结构不可知的自适应感测策略。在这项工作中,我们建立了基本的性能限制的任务,支持恢复树稀疏信号从嘈杂的测量,在设置中,测量可以获得非自适应(使用随机高斯测量策略的初始CS调查的动机)或任何自适应传感策略。我们的主要结果在这里意味着,在我们以前的工作中分析的自适应树传感过程是接近最优的,在这个意义上,没有其他的传感和估计策略可以从根本上更好地识别树稀疏信号的支持。
2013-10-16 cs.IT math.IT math.ST
Federated learning over physical channels: adaptive algorithms with near-optimal guarantees
Department of Electrical Engineering, SUNY University at Buffalo(电气工程系,布法罗大学)
针对联邦学习的通信成本问题,提出可在物理信道实现、兼顾信道噪声与硬件约束的自适应联邦SGD算法,证明其具备自适应于梯度噪声水平的收敛速率,并通过仿真验证了实际有效性。
2025-09-02 cs.IT cs.LG eess.SP
Sparse Recovery for Overcomplete Frames: Sensing Matrices and Recovery Guarantees
本章综述了过完备框架稀疏信号恢复的感知矩阵设计与解码器恢复保证,重点介绍了支持随机感知矩阵的类基追踪凸优化方法,并发表了关于框架受限等距性质的新定理。
2024-08-28 cs.IT cs.NA math.FA