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
Spatial Language Likelihood Grounding Network for Bayesian Fusion of Human-Robot Observations
针对人机协作中机器人感知局限及融合框架需不确定性感知接地似然的问题,提出FP-LGN网络,通过三阶段课程学习实现空间语言接地并捕捉不确定性,在NLL上匹配专家规则且鲁棒性更强,有效提升人机协作任务性能。
2025-07-30 cs.CL cs.IT cs.LG
On Collaborative Compressive Sensing Systems: The Framework, Design and Algorithm
基于最大似然估计原理,我们推导出一个协作估计框架,融合了几个不同的估计,并产生一个更好的估计。将其应用于压缩感知(CS),我们提出了一个合作的CS(CCS)计划组成的银行的$K$ CS系统,共享相同的传感矩阵,但有不同的稀疏字典。该CCS系统预期产生比每个单独的CS系统更好的性能,同时需要与使用并行计算策略时每个单独的CS系统所需的时间相同的时间。然后,我们提供了一种方法来设计最佳的CCS系统,通过利用一个措施,涉及的传感矩阵和字典,从而使我们能够同时优化的传感矩阵和所有的$K$字典。一个交替的最小化为基础的算法来解决相应的优化设计问题。通过严格的收敛性分析,证明了算法的收敛性.实验证实了理论结果,并表明,建议的CCS系统产生显着改善现有的CS系统的信号恢复精度。
2018-04-19 cs.IT math.IT
Data-aided Sensing for Distributed Detection
Deakin University(迪肯大学)
在本文中,我们研究了数据辅助传感(DAS)的分布式检测在无线传感器网络(WSNs)传感器的测量是相关的。特别是,我们推导出一个节点选择标准的基础上,在DAS的J-发散可靠的决策受到决策延迟约束。基于所提出的基于J-散度的DAS,可以选择节点以快速增加对数似然比(LLR),这导致了具有较小数量的传感器的可靠决策,所述传感器上传测量以用于较短的决策延迟。从仿真结果中,它被证实,基于J-发散DAS可以提供一个可靠的决策与其他方法相比,较少的传感器数量。
2020-11-17 cs.IT cs.LG math.IT
Parametric Diffraction-Based Object Sensing: Modeling, Estimation, and Fundamental Limits
University of California Irvine(加州大学尔湾分校);Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg(卢森堡大学安全、可靠与信任跨学科中心)
该研究提出基于无线通信频率衍射机制的环境物体感知框架,开发参数化衍射信道模型,推导ML估计方法及通过CRB量化性能极限,整合多种波传播近似,推导菲涅耳数缩放定律,数值结果显示ML估计器接近CRB,突出衍射建模在遮挡表征中的作用。
2026-07-16 cs.IT eess.SP math.IT
Information theoretic bounds for Compressed Sensing
在本文中,我们推导出信息理论的性能界限感测和重建的稀疏现象,从嘈杂的投影。我们考虑两种设置:其中噪声在投影之后进入的输出噪声模型和其中噪声在投影之前进入的输入噪声模型。我们考虑两种类型的失真重建:支持误差和均方误差。我们的目标是将测量次数$m$和$\snr$与信号稀疏度$k$、失真水平$d$和信号维度$n$联系起来。我们考虑在最坏情况下的支持错误。我们采用不同的变化Fano不等式推导出必要条件的测量和精确重建所需的$\snr$的数量。为了获得充分条件,我们开发了新的见解最大似然分析的基础上一种新的叠加属性。特别是这个属性意味着小的支持错误是占主导地位的错误事件。因此,我们的ML分析不受联合界的保守性影响,并导致对最大似然的更严格分析。这些结果提供了有序紧界。对于输出噪声模型,我们表明,渐近$\snr$的$Θ(\log(n))$连同$Θ(k \log(n/k))$测量是必要的,足够的精确支持恢复。此外,如果一小部分的支持错误可以容忍,一个常数$\snr$原来是足够的线性稀疏制度。相反,对于输入噪声模型,我们表明,支持恢复失败,如果测量尺度为$o(n\log(n)/SNR)$意味着这种情况下的压缩性能差的数量。我们还考虑贝叶斯设置和表征均方失真和使用率失真理论的测量次数之间的权衡。
2010-04-28 cs.IT math.IT
Sensor Design for Accuracy-Bounded Estimation via Maximum-Entropy Likelihood Synthesis
Texas A&M University(德克萨斯农工大学)
本文提出通过最大熵后验进行似然合成,以在给定误差预算下实现高精度估计,适用于时空系统的大规模传感架构设计。
2026-05-11 cs.IT cs.SY eess.SP
Robust 1-bit Compressive Sensing via Gradient Support Pursuit
本文研究了基于最大似然估计框架的1比特压缩感知(CS)问题。为了解决这个问题,我们应用最近提出的梯度支持追踪算法,与一个小的修改。假设所提出的目标函数有一个稳定的限制Hessian,该算法被证明可以准确地解决1位CS问题。此外,该算法进行了比较,最先进的1位CS算法,通过数值模拟。结果表明,该方法对噪声具有鲁棒性,并且在中低输入SNR状态下,它实现了最佳的重建SNR与执行时间的折衷。
2013-04-24 cs.IT math.IT math.OC
Spectral Power Parameter Estimation of Random Sources with Binary Sampled Signals
本文研究了用最小数字化复杂度获得的数值测量估计随机模拟源的谱功率参数的问题。因此,必须对模拟传感器输出的二进制样本进行频谱分析。在给定模拟源的谱功率密度结构的假设下,我们研究了采用似然处理的功率电平估计的可实现精度。讨论解决了棘手的可能性与多变量硬限制的样本,利用硬限制的多元高斯数据的概率建模和统计处理的进展。除了估计理论的性能分析,结果进行了验证,通过运行一个迭代的似然导向算法与合成的二进制数据为两个示例性的传感设置。
2019-10-27 cs.IT eess.SP math.IT
Sparse mmWave OFDM Channel Estimation Using Compressed Sensing in OFDM Systems
提出并分析了一种基于正交匹配追踪(OMP)算法的OFDM系统毫米波稀疏信道估计技术。这种贪心算法每次迭代检索一个附加的多径分量(MPC),直到满足停止条件。我们得到一个解析近似的OMP估计误差方差的增长与检索MPC(迭代)的数量。OMP信道估计器误差方差优于经典的最大似然(ML)非稀疏信道估计器,其系数约为$2\hat{L}/M$,其中$\hat{L}$是检索到的MPC(迭代)的数目,而$M$是离散等效信道的抽头的数目。当MPC幅度分布是重尾时,信道功率集中在主导MPC的子集中。在这种情况下,OMP执行较少的迭代,因为它只检索这些占主导地位的大MPC。因此,对于该MPC幅度分布,OMP相对于ML的估计误差优势得到改善。特别地,对于具有对数正态分布幅度的MPC的信道,OMP估计器在典型的毫米波信道中恢复大约5-15个主导MPC,其中15-45个弱MPC保持未检测到。
2018-12-18 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 Safety Analysis for Vehicular Networks with Integrated Sensing and Communication (ISAC)
本文针对6G ISAC车载网络感知安全被忽视的问题,研究恶意RIS通过时变相移欺骗车辆回波多普勒频移等参数的威胁,推导了可行欺骗频率集,证明其会严重误导AoD的MLE估计,仿真验证了显著的欺骗效果。
2025-05-18 cs.IT eess.SP math.IT
On the Performance of Turbo Signal Recovery with Partial DFT Sensing Matrices
这封信是关于基于压缩感知的部分离散傅里叶变换(DFT)矩阵的Turbo信号恢复(TSR)算法的性能。基于状态演化分析,我们证明了部分DFT传感矩阵的TSR优于著名的近似消息传递(AMP)算法与独立同分布(IID)的传感矩阵。
2015-03-18 cs.IT math.IT
A Neural Network Detector for Spectrum Sensing under Uncertainties
UC San Diego(加州大学圣地亚哥分校);UESTC(电子科技大学);Harbin Engineering University(哈尔滨工程大学);Massey University(梅西大学)
频谱感知在任何认知无线电系统中都是至关重要的。当主用户信号具有不确定参数时,作为理论上最优检测器的似然比检验一般没有封闭形式的表达式。因此,在参数不确定性下的频谱感测仍然是一个悬而未决的问题,尽管已经提出了许多利用主信号的特定特征的检测器,并且已经实现了相当好的性能。在本文中,神经网络被训练作为调制信号的检测器。结果表明,通过在合适的数据集上训练,神经网络在系统参数包括载波频偏、载波相位偏移和符号时间偏移的不确定性下具有较强的鲁棒性。结果显示了神经网络在利用信号结构的隐含和不完整知识方面的潜力。
2019-08-06 cs.IT cs.LG eess.SP
Bayesian Compressive Sensing Approaches for Direction of Arrival Estimation with Mutual Coupling Effects
研究了均匀线阵在互耦效应下远场信号的动态波达方向估计问题。这项工作提出了两种新的方法,能够提供准确的解决方案,包括在端射区域的阵列。首先,贝叶斯压缩感知卡尔曼滤波器的发展,它占的预测估计信号,而不是使用传统的稀疏先验。从理论上推导了接收源信号的后验概率密度函数和相关的边缘似然函数的表达式。接下来,开发了一种基于Gibbs抽样的方法,该方法在稀疏性先验中具有指示变量。这允许以不同的方式显式地强制稀疏性,包括当角度与先前的估计相差太远时。所提出的方法进行了验证和评估,在不同的测试场景,并与传统的基于相关向量机的方法。在平均均方根误差值方面实现了改进的准确度(对于基于修改的相关向量机的方法高达73.39%,对于基于Gibbs采样的方法高达86.36%)。所提出的方法被证明是特别有用的波达方向估计时,到达角移动到端射区域的阵列。
2017-02-13 cs.IT math.IT
Bits from Photons: Oversampled Image Acquisition Using Binary Poisson Statistics
我们研究了一种新的图像传感器,它让人想起传统的摄影胶片。传感器中的每个像素都有一个二进制响应,仅给出局部光强度的一位量化测量。为了分析其性能,我们制定的过采样二进制传感方案的参数估计问题的基础上量化泊松统计。我们表明,与单光子量化阈值和大的过采样因子,Cramér-Rao下界(CRLB)的估计方差接近一个理想的未量化的传感器,也就是说,如果没有量化的传感器测量。此外,CRLB被证明是渐近实现的最大似然估计(MLE)。通过证明我们的问题的对数似然函数是凹的,我们保证了迭代算法的全局最优性。对合成数据和原型传感器拍摄的图像的数值结果验证了我们的理论分析,并证明了我们的图像重建算法的有效性。他们还建议过采样二进制传感方案在高动态范围摄影的潜在应用。
2011-12-05 cs.IT cs.MM math.IT
Power Optimization for Integrated Active and Passive Sensing in DFRC Systems
本文研究DFRC系统中集成主动与被动感知的功率优化,针对回程容量受限与否采用不同融合策略,提出两种功率优化算法以最大化目标检测概率,仿真表明IAPS方案优于单一感知方案。
2024-02-17 cs.IT eess.SP math.IT
Compressive Signal Processing with Circulant Sensing Matrices
压缩感知在稀疏性约束下,通过感知矩阵获取少量的随机测量值,实现信号的有效降维。在信号处理系统中,出现了直接处理随机投影而不首先重构信号的问题。在本文中,我们表明,循环传感矩阵允许执行各种经典的信号处理任务,如滤波,插值,配准,变换,等等,直接在压缩域中,并在一个确切的方式,\emph{i.e.},而不依赖于现有文献中提出的估计。本文提出的技术的优点是,使直接测量到测量的转换,而不需要昂贵的恢复程序。
2014-03-12 cs.IT math.IT
Permutation Meets Parallel Compressed Sensing: How to Relax Restricted Isometry Property for 2D Sparse Signals
传统的压缩感知考虑对1D信号进行采样。对于多维信号,如果将其整形为向量,则所需的感测矩阵的大小变得非常大,这显著增加了存储和计算复杂性。为了解决这个问题,我们提出将多维信号整形为2D信号,并使用压缩感知逐列地对具有相同的感知矩阵的2D信号进行采样。它被称为并行压缩感知,并且它具有低得多的存储和计算复杂性。对于给定的并行压缩感知重构性能,如果对2D信号应用所谓的可接受置换,我们表明相应的感知矩阵具有较小的限制等距属性条件所需的阶数,从而进一步降低了存储和计算要求。一个基于扫描的置换,这是特别有用的信号满足层模型,介绍和研究。作为并行压缩感知的一个应用,提出了一种基于扫描置换的视频压缩方案。研究表明,基于之字形扫描的置换提高了重建图像和视频帧的峰值信噪比。
2013-05-21 cs.IT math.IT
Sensing-Aided Secure Multicast in Rotatable Antenna-Enabled ISAC Systems
Beijing University of Posts and Telecommunications(北京邮电大学);Queen Mary University of London(伦敦大学玛丽女王学院)
本文提出一种两级可旋转天线赋能的辅助感知安全多播方案,通过联合阵列级和元素级旋转与模拟波束成形,提升用户信号并抑制窃听泄漏,利用CRB构建概率角不确定性区域,解决非凸优化问题,验证了方案的有效性与鲁棒性。
2026-09-15 cs.IT eess.SP math.IT
Generative Spectrum Cartography: Unified Reconstruction and Active Sensing via Diffusion Models
Zhejiang University-University of Illinois Urbana-Champaign Institute (ZJUI), Zhejiang University(浙江大学伊利诺伊大学厄巴纳香槟校区联合学院,浙江大学);Tsinghua Space Center and Beijing National Research Center for Information Science and Technology, Tsinghua University(清华航天航空学院与北京信息科学与技术国家研究中心,清华大学);Key Laboratory of Universal Wireless Communications, Ministry of Education, School of Information and Communication Engineering, Beijing University of Posts and Telecommunications(教育部无线通信重点实验室,北京邮电大学信息与通信工程学院)
提出基于扩散模型的后验推断框架GSC,统一解决稀疏、噪声、低比特量化测量下的频谱地图重建与主动感知问题,实现无梯度后验采样与不确定性驱动的测量点选择。
2026-06-02 cs.IT eess.SP math.IT
Quickest Eigenvalue-Based Spectrum Sensing using Random Matrix Theory
我们调查的频谱感知应用的样本协方差矩阵的特征值的基础上的最快检测的潜力。考虑了加性高斯白噪声(AWGN)环境下,主用户(PU)和次用户(SU)分别为$1$和$K$的简单相移键控(PSK)模型.在$\mathcal{H}_0$(仅噪声)和$\mathcal{H}_1$(信号+噪声)这两种检测假设下,样本协方差矩阵的特征值遵循Wishart分布。对于$K = 2$ SU的情况下,我们推导出的概率密度函数(PDF)的最大-最小特征值(MME)检测器下$\mathcal{H}_1$的解析公式。利用$\mathcal{H}_0$下的文献结果,我们研究了两种检测方案。首先,我们根据分析结果计算MME块检测器的接收机操作特性(ROC)。其次,我们介绍了两种基于特征值的最快检测算法:累积和(Cumulative sum,Cumulative sum)算法,当PU信号的信噪比(SNR)是已知的和使用广义似然比的算法,在SNR是未知的情况下。给出了该算法的平均虚警时间$τ_\text{fa}$和平均检测时间$τ_\text{d}$的界。数值模拟说明了块检测方案的最快检测方法的潜在优势。
2015-10-13 cs.IT cs.NI math.IT
1-Bit Compressive Sensing via Approximate Message Passing with Built-in Parameter Estimation
1-比特压缩感测旨在从量化的1比特测量恢复稀疏信号。设计可以处理噪声1位测量的有效方法在各种应用中非常重要。在本文中,我们使用近似消息传递(AMP)来实现这一目标,由于其高计算效率和最先进的性能。在AMP中,假设感兴趣的信号遵循某种先验分布,并且可以计算其后验分布并用于恢复信号。在实际应用中,先验分布的参数往往是未知的,需要估计。以前的工作试图通过期望最大化来找到最大化测量可能性的参数,这在复杂的概率模型的情况下变得越来越难以解决。在这里,我们建议将参数视为未知变量,并通过AMP计算其后验,以便参数和信号可以联合恢复。与以前的方法相比,所提出的方法导致一个简单而优雅的参数估计方案,允许我们直接与1位量化噪声模型。实验结果表明,该方法在零噪声和中等噪声条件下的检测性能优于其他方法,在高噪声条件下的检测性能优于其他方法。
2022-04-26 cs.IT eess.SP math.IT
LDPC Codes for Compressed Sensing
University of Southern California(南加州大学);San Diego State University(圣地亚哥州立大学);Hewlett–Packard Laboratories(惠普实验室)
本文建立了信道编码线性规划解码(CC-LPD)与压缩感知线性规划解码(CS-LPD,即基追踪)之间的数学联系,证明好的信道码的校验矩阵可作为好的压缩感知测量矩阵,并利用Gallager构造的高围长LDPC码首次实现了行数阶最优的确定性测量矩阵。
2011-12-12 cs.IT cs.NA math.IT
Compressive Sensing-Based Detection with Multimodal Dependent Data
当存在复杂的模态间和模态内相关性时,高维多模态数据的检测是一个具有挑战性的问题。虽然已经提出了几种用于相关数据融合的方法(例如,基于Copula理论),但是它们的优点在计算复杂性方面是以高代价来实现的。在本文中,我们处理的检测问题与压缩传感(CS),其中压缩在每个传感器是通过低维随机投影。CS最近已被利用来解决检测问题的各种假设下的信号感兴趣的,然而,其潜在的相关数据融合还没有得到充分的探讨。我们利用CS的能力来捕获未压缩数据的统计特性,以计算在压缩域中检测的决策统计。首先,采用高斯近似对压缩数据执行基于似然比(LR)的检测。在该方法中,经由级联(时间和空间)未压缩数据向量的协方差阵的压缩版本来捕获模态间依赖性。我们表明,在某些条件下,这种方法与每个节点的少量压缩测量导致增强的性能相比,使用广泛认为次优的方法与未压缩的数据检测。其次,我们开发了一种非参数的方法,在压缩域中计算基于未压缩数据的第二顺序统计量的决策统计量。第二种方法是有前途的其他相关的非参数的方法和第一种方法时,多模态数据是高度相关的代价略有增加的计算复杂性。
2017-07-20 cs.IT math.IT stat.AP