Estimation of block sparsity in compressive sensing
在压缩感知中,利用未知信号的块结构可以获得更好的重构性能。理论上,具有块结构的未知信号可以从少量的欠定线性测量中精确地恢复,只要它是足够块稀疏的。从实际的角度来看,一个严重的问题是,块稀疏水平往往出现未知。本文利用$α\in[0,\infty]$引入了块稀疏性的软度量$k_α(\mathbf{x})=\left(\lVert\mathbf{x}\rVert_{2,α}/\lVert\mathbf{x}\rVert_{2,1}\right)^{\fracα{1-α}}$,并提出了一种利用多元中心各向同性对称$α$ -稳定随机投影的估计方法.建立了估计量的极限分布。通过仿真来说明我们的理论结果。
2021-06-03 cs.IT math.IT stat.AP
Blind Deconvolution using Modulated Inputs
本文研究了多个调制信号的盲解卷积问题,并给出了一个任意滤波器。分别用随机符号序列$\boldsymbol{r}_1, \boldsymbol{r}_2, \ldots, \boldsymbol{r}_N =: [\boldsymbol{r}_n]$调制(逐点相乘)多个输入$\boldsymbol{s}_1, \boldsymbol{s}_2, \ldots, \boldsymbol{s}_N =: [\boldsymbol{s}_n]$,并且将所得输入$(\boldsymbol{s}_n \odot \boldsymbol{r}_n) \in \mathbb{C}^Q, \ n = [N]$与任意输入$\boldsymbol{h} \in \mathbb{C}^M$卷积以产生测量值$\boldsymbol{y}_n = (\boldsymbol{s}_n\odot \boldsymbol{r}_n)\circledast \boldsymbol{h}, \ n = [N] := 1,2,\ldots,N,$,其中$\odot$和$\circledast$表示逐点相乘和循环卷积。给定$[\boldsymbol{y}_n]$,我们希望恢复未知数$[\boldsymbol{s}_n]$和$\boldsymbol{h}$。我们做了一个结构性的假设,即未知的$[\boldsymbol{s}_…
2019-12-23 cs.IT math.IT
System Identification in Dynamical Sampling
考虑离散无限维空间不变演化过程$x^{(n)}=A^nx$的时空采样问题,以恢复由滤波器$a \in \ell^1(\mathbb{Z})$给出的未知卷积算子$A$和$\ell^2(\mathbb{Z})$中建模为矢量的未知初始状态$x$.传统上,在适当的假设下,可以从$\mathbb{Z}$上的样本中恢复任何$x$,并且可以通过经典的反卷积技术恢复$A$。在本文中,我们将利用时空相关性,并提出了一种新的时空采样方案,以恢复$A$和$x$,允许采样的演变状态$x,Ax, \cdots, A^{N-1}x$上的子格$\mathbb{Z}$,从而实现时空的权衡。时空的权衡是由几个工业应用\cite{Lv09}。具体而言,我们表明,$\{x(m\mathbb{Z}), Ax(m\mathbb{Z}), \cdots, A^{N-1}x(m\mathbb{Z}): N \geq 2m\}$包含足够的信息来恢复一个典型的“低通滤波器”$a$和$x$几乎肯定,在其中,我们概括了有限维情况下的想法在\cite{AK14}。特别是,我们提供了一个算法的基础上的广义Prony方法的情况下,$a$和$x$是有限的脉冲响应和上界的支持是已知的。我们还根据算符$A$和初态$x$的谱性质进行了扰动分析,并通过数值实验进行了验证。最后,我们给出了几种其他数值方法来稳定该方法,数值例子表明了改进。
2015-08-31 cs.IT math.IT
Super-Resolution of Complex Exponentials from Modulations with Unknown Waveforms
超分辨率通常被称为从粗糙信息恢复精细细节的任务。受单分子成像、雷达成像等应用的启发,我们考虑从具有未知波形的复指数的调制中对复指数进行参数估计,从而允许非平稳盲超分辨率。然而,这个问题是不适定的,因为与复指数和调制波形相关联的参数都是未知的。为了缓解这一点,我们假设未知的波形生活在一个共同的低维子空间。使用提升技巧,我们重铸盲超分辨率问题作为一个结构化的低秩矩阵恢复问题。原子范数最小化,然后用来执行结构化的低秩,并重新制定为一个半定的计划,是在多项式时间可解。我们表明,缩放模糊度,精确恢复的复指数参数和未知波形是可能的,当波形子空间是随机的,测量的数量是成比例的自由度的问题。数值模拟支持我们的理论研究结果,表明非平稳盲超分辨率使用原子范数最小化是可能的。
2016-08-08 cs.IT math.IT
One-dimensional phase retrieval with additional interference measurements
Institut für Numerische und Angewandte Mathematik Georg-August-Universität Göttingen(哥廷根大学应用数学与数值计算研究所)
本文研究了一维相位恢复问题,通过利用额外的干涉测量来实现信号的唯一恢复,解决了传统方法中因相位信息缺失导致的歧义问题。
2016-04-15 cs.IT cs.NA math.IT
Blind Gain and Phase Calibration via Sparse Spectral Methods
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Georgia Institute of Technology(佐治亚理工学院)
盲增益相位校正(BGPC)是一个双线性逆问题,涉及到传感系统的未知增益和相位以及未知信号的确定。BGPC出现在许多应用中,例如,逆绘制中的盲估计、合成孔径雷达自动聚焦和传感器阵列自动校准。在某些情况下,未知信号中的稀疏结构会导致BGPC的不适定性。最近,人们重新对BGPC的解产生了兴趣,并仔细分析了误差界。在本文中,我们制定BGPC作为一个特征值/特征向量的问题,并建议解决它通过功率迭代,或在稀疏或联合稀疏的情况下,通过截断功率迭代。在一定的假设条件下,可以同时恢复未知增益、相位和未知信号。数值实验表明,幂迭代算法不仅工作在我们的主要结果所预测的制度,但也在制度的理论分析是有限的。我们还表明,我们的权力迭代算法BGPC比较有利的竞争算法在对抗性条件下,例如,具有噪声测量或具有坏的初始估计。
2017-11-30 cs.CV cs.IT cs.LG
Bispectrum Unbiasing for Dilation-Invariant Multi-reference Alignment
本文针对信号同时受随机平移、膨胀和噪声破坏的多参考对齐问题,提出一种基于已知膨胀分布的数据驱动双谱去偏方法,并通过反演双谱实现完整信号恢复,在合成信号上验证了有效性。
2024-02-22 cs.IT eess.SP math.IT
Atomic Norm Denoising for Complex Exponentials with Unknown Waveform Modulations
非平稳盲超分辨是传统超分辨问题的一种扩展,它处理的是从粗测量中恢复精细细节的问题。非平稳盲超分辨问题在雷达成像、3D单分子显微镜、计算摄影等领域有着广泛的应用。由于凸方法对噪声的鲁棒性和强的理论保证,利用凸方法求解非平稳盲超分辨问题受到越来越多的关注。受近年来盲逆问题中原子范数最小化研究的启发,本文重点研究了非平稳盲超分辨中的信号去噪问题。特别是,我们使用一个原子范数正则化最小二乘问题去噪与未知的波形调制的复指数的总和。我们量化了均方误差如何依赖于噪声方差和真实信号参数。数值实验也验证了理论结果。
2019-10-08 cs.IT math.IT
Super-Resolution From Binary Measurements With Unknown Threshold
我们解决的问题,超分辨率的点源从二进制测量,其中随机投影的实际信号的模糊测量编码仅使用的符号信息。解码器不知道用于二进制量化的阈值。我们开发了一个算法,解决凸规划迭代,实现信号恢复。所提出的算法,我们称之为二进制超分辨率(BSR)算法,恢复点源具有合理的精度,虽然高达一个比例因子。我们通过模拟表明,BSR算法是成功的恢复点源的位置和幅度,即使在存在大量的模糊。我们还提出了一个处理噪声测量的框架,并证明了BSR给出了一个可靠的重建(相应地,重建信号噪声比(SNR)约为22 dB)的测量SNR为15 dB。
2016-05-13 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}$规范。我们观察到,即使有噪声的1位测量,联合稀疏支持可以准确地恢复与多个传感器,每个收集只有少量的测量。
2015-06-01 cs.IT math.IT
Near-optimal bounds for signal recovery from blind phaseless periodic short-time Fourier transform
我们研究的问题,恢复信号$x\in\mathbb{C}^N$从其无相位周期性短时傅立叶变换(STFT)的样本:乘以滑动窗口$w\in \mathbb{C}^W$的信号的傅立叶变换的幅度。我们表明,如果窗口$w$是已知的,那么一个通用的信号可以被恢复,直到一个全球的相位,从小于4N无相STFT测量。在盲的情况下,当窗口是未知的,我们表明,信号和窗口可以同时确定,一组不可避免的模糊,从小于4N+2W的测量。在这两种情况下,我们的边界都是最优的,直到一个小于2的常数。
2022-09-22 cs.IT math.IT
Mathematical Theory of Atomic Norm Denoising In Blind Two-Dimensional Super-Resolution (Extended Version)
本文提出基于原子范数的盲二维超分辨率去噪数学框架,可从含噪信号中估计无噪信号与未知参数,推导了均方误差理论界并通过仿真验证结论。
2021-05-18 cs.IT math.IT
Phase Retrieval via Incremental Truncated Wirtinger Flow
Stanford University(斯坦福大学)
在相位恢复问题中,一个未知的矢量是要恢复给定的二次测量。这一问题近来受到相当大的关注。在本文中,我们提出了一种算法来解决相位恢复问题的非凸公式,我们称之为$\textit{Incremental Truncated Wirtinger Flow}$。给定随机高斯感知向量,我们证明了它线性收敛到解决方案,具有最佳的样本复杂度。我们还提供了稳定性保证的算法在嘈杂的测量。性能和与现有算法的比较,说明通过模拟和真实数据的数值实验,与随机和结构化的传感向量。
2016-06-10 cs.IT cs.LG math.IT
Learning Unknown Intervention Targets in Structural Causal Models from Heterogeneous Data
Leiden University(莱顿大学)
针对结构因果模型中未知干预目标识别问题,提出两阶段方法,在更弱假设下得到更精准的候选目标集,实验验证了其有效性。
2024-03-09 cs.AI cs.IT cs.LG
Enforcing uniqueness in one-dimensional phase retrieval by additional signal information in time domain
Institut für Numerische und Angewandte Mathematik Georg-August-Universität Göttingen(哥廷根大学数值与应用数学研究所)
本文研究了一维相位检索中如何通过时域额外信号信息减少歧义并获得唯一解,证明了有限支持信号可被唯一恢复,并通过相位信息获得类似结果。
2016-04-15 cs.IT cs.NA math.IT
Unknown sparsity in compressed sensing: Denoising and inference
压缩感知(CS)理论认为,如果$x$足够稀疏,则可以利用$n\ll p$从欠定的$n$线性测量集合中准确地恢复未知信号$x\in\mathbb{R}^p$。然而,在实际应用中,$\|x\|_0$的稀疏程度通常是未知的,直接估计$\|x\|_0$的问题一直是理论和实践之间的长期差距。一个密切相关的问题是,$\|x\|_0$是一个高度理想化的稀疏性度量,对于条目不等于0的真实信号,值$\|x\|_0=p$不是可压缩性的有用描述。在我们之前的会议论文[Lop13]中,我们研究了这些问题,我们考虑了“软”稀疏性的替代度量$\|x\|_1^2/\|x\|_2^2$,并设计了一个不依赖于稀疏性假设的估计$\|x\|_1^2/\|x\|_2^2$的过程。本文提出了一种新的基于反卷积的未知稀疏度估计方法,具有更广泛的适用性和更强的理论保证。特别是,我们引入了一个家庭的基于熵的稀疏措施$s_q(x):=\big(\frac{\|x\|_q}{\|x\|_1}\big)^{\frac{q}{1-q}}$参数化的$q\in[0,\infty]$。由于$q$的范围大于$[0,2]$,因此该系列介于$\|x\|_0=s_0(x)$和$\|x\|_1^2/\|x\|_2^2=s_2(x)$之间。对于任何$q\in (0,2]\setminus\{1\}$,我们提出了一个估计$\hat{s}_q(x)$的相对误…
2017-08-31 cs.IT math.IT math.ST
Functional Multi-Target Detection via Bispectrum Inversion
University of Utah(犹他大学);University of Chicago(芝加哥大学);Shanghai Jiao Tong University(上海交通大学)
针对含未知平移的多目标检测问题,提出基于自相关分析的无初始化恢复算法,通过去偏三阶经验自相关估计双谱,并利用频率推进或Kotlarski反卷积公式恢复信号,证明非渐近恢复保证。
2026-05-29 cs.IT eess.SP math.IT
Phase Retrieval and System Identification in Dynamical Sampling via Prony's Method
动态采样中的相位恢复是一个新的研究方向,它要求从相对于动态坐标系的无相位测量中恢复未知信号,即由算子重复作用构造的采样向量序列。这里相位的损失将适定的动态采样变成严重的不适定逆问题。在现有文献中,所涉及的算子通常是完全已知的。本文将动态采样中的相位恢复与系统辨识相结合。例如,如果动态帧基于重复卷积,那么我们希望提前恢复未知的卷积核。利用Prony方法,我们建立了信号和系统的几个恢复保证,其证明是构造性的,并给出了解析的恢复方法。几乎所有的信号、算子和采样向量都满足所需的假设。此外,这些保证不仅适用于有限维的设置,但也结转到无限维空间。研究了解析恢复过程的灵敏度,我们还建立了复指数和近似Prony方法的误差界。
2021-03-18 cs.IT cs.NA math.IT
Recoverability of Group Sparse Signals from Corrupted Measurements via Robust Group Lasso
本文研究了从稀疏观测值$\mathbf{M} = [\mathbf{A}_{(1)}\mathbf{y}_{1}, \cdots, \mathbf{A}_{(L)}\mathbf{y}_{L}] + \mathbf{S}$中恢复一组稀疏信号矩阵$\mathbf{Y} = [\mathbf{y}_1, \cdots, \mathbf{y}_L]$的问题,其中$\mathbf{A}_{(i)}$是已知的感知矩阵,$\mathbf{S}$是未知的稀疏误差矩阵。提出了一种鲁棒群套索(RGL)模型,通过在测量约束下同时最小化$\mathbf{Y}$的$\ell_{2,1}$ -范数和$\mathbf{S}$的$\ell_1$ -范数来恢复$\mathbf{Y}$和$\mathbf{S}$.我们证明了$\mathbf{Y}$和$\mathbf{S}$可以从RGL模型中以很高的概率精确地恢复为非常一般的一类$\mathbf{A}_{(i)}$。
2015-09-28 cs.IT math.IT math.ST
Beurling-Selberg Extremization for Dual-Blind Deconvolution Recovery in Joint Radar-Communications
本文针对联合雷达通信中信道与信号均未知的双盲反卷积问题,利用Beurling-Selberg极值函数建立最优联合分离条件,并通过核范数最小化恢复低秩修正Hankel矩阵,结合MUSIC方法实现参数估计。
2023-10-27 cs.IT eess.SP math.FA