Sparsity Aware Normalized Least Mean p-power Algorithms with Correntropy Induced Metric Penalty
针对非高斯脉冲噪声系统的辨识问题，提出了归一化LMP（NLMP）方法。然而，标准算法没有考虑未知系统固有的稀疏结构分布。为了充分利用稀疏性并抑制脉冲噪声，本文提出了一种稀疏NLMP算法，基于相关熵诱导度量（CIM）约束的NLMP（CIMNLMP）。在第一种算法的基础上，利用可变正则化参数（VRP）选择方法，进一步调整收敛速度和稳态误差，提出了一种改进的CIM约束可变正则化NLMP（CIMVRNLMP）算法。数值仿真验证了所提出的算法的有效性。
2015-03-03 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
Downlink Channel Estimation for mmWave Systems with Impulsive Interference
Samsung Electronics Company Ltd.（三星电子株式会社）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；Ewha Womans University（梨花女子大学）
针对下行毫米波MIMO系统中的脉冲干扰问题，提出一种基于变分推断和稀疏贝叶斯学习的信道估计技术，利用信道稀疏性与干扰间歇性有效降低了估计误差并提升了精度。
2025-11-04 cs.IT eess.SP 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
Lorentzian Iterative Hard Thresholding: Robust Compressed Sensing with Prior Information
压缩感知（CS）中常用的重构算法使用$L_2$范数作为残差的度量。然而，众所周知，基于最小二乘（LS）的估计器对测量向量中存在的离群值高度敏感，从而导致当噪声不再遵循高斯假设而是更好地由比高斯分布更好地表征时性能较差。本文提出了一种在脉冲噪声背景下重构稀疏信号的鲁棒迭代硬采样保持（IHT）算法。为了解决这个问题，我们使用一个洛伦兹成本函数，而不是$L_2$成本函数采用传统的IHT算法。我们还修改了算法，将先验信号信息的恢复过程。具体来说，我们研究的情况下，CS与部分已知的支持。该算法是一种快速的方法，计算量与基于LS的IHT相当，同时具有对重尾脉冲噪声鲁棒性的优点。稳定性的充分条件进行了研究，重建误差界的推导。我们还得到了稳定的稀疏信号恢复与部分已知的支持的充分条件。理论分析表明，包括先验支持信息放宽了成功重建的条件。仿真结果表明，基于Lorentzian的IHT算法在脉冲环境中的性能明显优于常用的稀疏重建技术，同时在要求较低的光尾环境中提供相当的性能。数值结果还表明，部分已知的支持包含提高了所提出的算法的性能，从而需要更少的样本产生一个近似的重建。
2013-07-17 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
Two are Better Than One: Adaptive Sparse System Identification using Affine Combination of Two Sparse Adaptive Filters
稀疏系统辨识问题在回波干扰消除、稀疏信道估计、自适应波束形成等应用中经常存在。自适应稀疏系统辨识（ASSI）方法是一种流行的方法，它只采用一个稀疏最小均方（LMS）滤波器。然而，仅采用一个稀疏LMS滤波器不能同时获得快速收敛速度和小的稳态平均状态偏差（MSD）。与传统的方法不同，我们提出了一种改进的ASSI方法，使用两个稀疏LMS滤波器的仿射组合，同时实现快速收敛和低稳态MSD。首先，介绍了LMS滤波器的问题公式和标准仿射组合。然后，根据随机梯度搜索方法，采用近似最优仿射组合器对所提出的滤波器。随后，为了验证所提出的滤波器的ASSI，计算机模拟，以确认所提出的滤波器的有效性，可以实现更好的估计性能比传统的一个和标准的仿射组合的LMS滤波器。
2013-11-06 cs.IT math.IT
Regularization Parameter Selection Method for Sign LMS with Reweighted L1-Norm Constriant Algorithm
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）算法，例如，在加性高斯白噪声（AWGN）假设下，最小均方加权L1范数约束（LMS-RL 1）算法可以带来可观的性能增益。然而，在无线系统的实际场景中，信道估计性能经常会因意外的非高斯混合噪声（包括AWGN和脉冲噪声）而恶化。为了设计稳定的通信系统，提出了一种符号LMS-RL 1（SLMS-RL 1）算法，该算法能够在去除脉冲噪声的同时利用信道稀疏性。众所周知，SLMS-RL 1的正则化参数（REPA）选择是一个非常具有挑战性的问题。在最坏的情况下，不适当的REPA甚至可能导致SLMS-RL 1算法意外的不稳定收敛。本文提出了一种基于Monte Carlo的选择方法来选择合适的REPA，使SLMS-RL 1能够实现两个目标：稳定收敛以及使用稀疏信息。仿真结果证实了我们的研究。
2015-04-28 cs.IT math.IT
Proportionate Adaptive Filtering for Block Sparse System Identification
本文提出了一种新的比例归一化最小均方（PNLMS）自适应算法，提高了识别块稀疏系统的性能。主要提出的算法，称为块稀疏PNLMS（BS-PNLMS），是基于混合l2，1范数的自适应滤波器系数的优化。证明了NLMS和传统PNLMS都是BS-PNLMS的特例。同时，块稀疏的改进PNLMS（BS-IPNLMS）也推导出稀疏和色散的冲激响应。仿真结果表明，所提出的BS-PNLMS和BS-IPNLMS算法在计算复杂性仅略有增加的情况下，性能优于NLMS、PNLMS和IPNLMS算法。
2015-11-29 cs.IT math.IT
The basins of attraction of the global minimizers of the non-convex sparse spike estimation problem
稀疏尖峰估计问题在于从欠定线性测量估计一些离网脉冲源。信息论的结果确保了非凸函数的最小化能够恢复适当选择的测量（确定性或随机）的尖峰。为了解决这个问题，已经提出了从其中使用凸规划的有限维稀疏估计的情况中得到启发的方法。贪婪算法也显示出良好的实际效果。然而，很少有人知道理想的非凸极小化方法。在这篇文章中，我们研究了这个非凸泛函的全局最小值的形状：我们给出了全局最小值的一个明确的吸引域，表明随着测量次数的增加，非凸问题变得更容易。这对涉及下降算法的方法（如贪婪启发式）具有重要影响，并为此类下降方法的潜在改进提供了见解。
2019-09-12 cs.IT math.IT
Analysis Based Blind Compressive Sensing
在这项工作中，我们解决的问题，盲目重建压缩感知信号，利用共稀疏分析模型。在分析模型中，假设信号乘以分析运算符会产生稀疏向量。我们提出了一种算法，学习的运营商自适应重建过程中。所产生的优化问题是通过几何共轭梯度法。通过简单地交换数据保真度项来处理不同类型的采样噪声。数值实验进行了破坏高斯以及脉冲噪声的测量，以显示我们的方法的有效性。
2013-03-26 cs.IT math.IT
Novel Realization of Adaptive Sparse Sensing with Sparse Least Mean Fourth Algorithm
非线性稀疏感知（NSS）技术已被用于实现压缩感知（CS）在许多应用中，如雷达成像和稀疏信道估计。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，基于独立的假设，Cramer-Rao下界（CRLB）推导的性能比较。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。
2014-07-23 cs.IT math.IT
Adaptive Variable Step Algorithm for Missing Samples Recovery in Sparse Signals
恢复任意位置的样本是在稀疏信号中丢失最近吸引了显着的研究兴趣。具有严重损坏的任意位置的样本的稀疏信号可以通过省略损坏的样本并将它们视为在恢复过程期间不可用而以与压缩感测信号相同的方式进行分析。缺失样本的重建是通过使用一种公知的重建算法来完成的。在本文中，我们将提出一个非常简单和有效的自适应变步长算法，直接适用于浓度的措施，没有重新制定的标准线性规划形式内的重建问题。直接应用梯度方法的不可微形式的措施，导致我们引入一个可变步长的算法。提出了一种自适应算法参数变化的判据。以稀疏信号（包括近似稀疏信号和含噪稀疏信号）为例说明了结果。
2013-09-23 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
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
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
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
Nonconvex Regularization Based Sparse Recovery and Demixing with Application to Color Image Inpainting
这项工作解决了在一些通用字典中稀疏的信号的恢复和分离问题。所涉及的应用包括声源分离、图像修补、超分辨率以及被削波、饱和、脉冲噪声或窄带干扰破坏的信号的恢复。我们采用$\ell_q$ -范数（$0 \le q < 1$）的稀疏诱导，并提出了一个约束$\ell_q$ -最小化配方的恢复和分层问题。这个非凸公式近似求解的两个有效的一阶算法的基础上，最近的坐标下降和交替方向的乘法器（ADMM），分别。新算法在非凸情形下在一些温和的条件下是收敛的，并且对高维问题具有良好的规模。推导了新ADMM算法的收敛条件。此外，本文还对这两种算法进行了扩展，使其能够更好地利用多通道信号间的联合稀疏模式。各种数值实验表明，新的算法可以实现相当大的性能增益比$\ell_1$正则化算法。
2017-03-23 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
A new robust adaptive algorithm for underwater acoustic channel equalization
Bilkent University（比尔肯特大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们介绍了一种新的家庭的自适应鲁棒均衡器具有高度挑战性的水声（UWA）信道均衡。由于水下环境是高度非平稳的，并受到脉冲噪声，我们使用自适应滤波技术的基础上的相对对数成本函数的启发，从在线学习文献的竞争方法。为了提高传统线性均衡方法的收敛性能，同时减轻稳定性问题，我们本质上结合了成本函数中的误差的不同范数，使用对数函数。因此，我们实现了可比的收敛性能最小均值四分之一（LMF）均衡器，同时显着提高在这样一个不利的通信介质中的稳定性能。我们证明了我们的算法的性能，通过高度逼真的实验进行精确模拟的水声信道。
2015-12-19 cs.IT cs.LG cs.SD
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
Nonconvex and Nonsmooth Sparse Optimization via Adaptively Iterative Reweighted Methods
ShanghaiTech University（上海科技大学）；Shenzhen University（深圳大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences（中国科学院上海微系统与信息技术研究所）
我们提出了一个具有凸集约束的非凸和非光滑稀疏优化问题的一般形式，它可以考虑大多数现有类型的非凸稀疏诱导项，具有很强的适用性，以广泛的应用。我们设计了一个通用的算法框架，迭代重加权算法求解所提出的非凸和非光滑稀疏优化问题，解决了一系列加权凸正则化问题的自适应更新的权重。一阶最优性条件的推导和全局收敛性的结果提供宽松的假设下，使我们的理论结果分析家庭的各种加权算法的实用工具。我们提出的配方和算法的有效性和效率在各种稀疏优化问题的数值实验中得到了证明。
2021-08-20 cs.IT cs.LG 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
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
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
