A new method on deterministic construction of the measurement matrix in compressed sensing
测量矩阵$A$的构造是压缩感知的核心问题。虽然使用随机矩阵在理论和应用上都被证明是最优的和成功的。测量矩阵的确定性构造仍然是非常重要和有趣的。事实上,它仍然是T.涛.在本文中,我们将提供一个新的确定性的建设方法,并证明它是最佳的相互不相干。
2015-03-04 cs.IT math.IT
Generalized Deterministic-Random Tradeoff in Integrated Sensing and Communications: The Sensing-Optimal Operating Point
该研究聚焦集成感知与通信(ISAC)系统的性能权衡问题,通过分析容量-失真区域的感知最优工作点,证明通用非凸感知性能指标下确定性-随机性权衡(DRT)的存在性,并以目标检测概率为例展开说明,为6G ISAC系统设计提供理论支撑。
2023-08-28 cs.IT math.IT
Deterministic Designs with Deterministic Guarantees: Toeplitz Compressed Sensing Matrices, Sequence Designs and System Identification
在本文中,我们提出了一个新的家庭的离散序列具有“随机”一致衰减的自相关特性。这类新的无限长序列是用无理数构造的高阶线性调频脉冲。利用连续分数和丢番图近似理论的结果,我们表明,这样形成的序列类具有的属性,最坏情况下的自相关系数为每个有限长度的序列以多项式的速度衰减。这些序列也显示多普勒免疫。我们还表明,Toeplitz矩阵从这样的序列形成满足限制等距属性(RIP),最近在压缩感知应用中发挥了核心作用的概念。压缩感测传统上处理具有任意分量的感测矩阵。然而,这种任意的传感矩阵是不适合线性系统辨识,必须采用Toeplitz结构的传感矩阵。线性系统辨识在诸如多径无线系统的信道估计以及控制系统应用等各种各样的应用中起着中心作用。Toeplitz矩阵由于其滤波结构也是期望的,这允许快速实现以及降低的存储要求。
2008-07-28 cs.IT math.IT
Deterministic Construction of Partial Fourier Compressed Sensing Matrices Via Cyclic Difference Sets
压缩感知是一种新的技术,它可以从欠采样测量中恢复稀疏信号。研究了一种基于循环差集(CDS)确定性构造的压缩感知$K \times N$部分傅立叶测量矩阵。准确地说,该矩阵由$N\times N$逆离散傅立叶变换(IDFT)矩阵的$K$行构成,其中每行索引来自$(N, K, λ)$循环差集。为了保证稀疏信号的恢复,对确定性矩阵的限制等距性(RIP)进行了统计研究。然后,从矩阵的结构提出了一种计算效率高的重建算法。数值结果表明,该算法在允许的计算复杂性下具有较好的恢复性能。
2010-12-28 cs.IT math.IT
Line Spectral Estimation Based on Compressed Sensing with Deterministic Sub-Nyquist Sampling
作为传统采样理论的一种替代方法,压缩感知允许采集更少量的数据,仍然可以准确地估计频率稀疏信号的频谱。但是,压缩感知在数据采集时通常需要随机采样,这在硬件上很难实现。在本文中,我们提出了一个确定性的和简单的采样方案,即在三个亚奈奎斯特率具有互质欠采样率采样。通过数值实验证明了该采样方法的有效性。提出了一种基于变分贝叶斯推理的复值多任务算法,用于频率稀疏信号采样后的谱估计。仿真结果表明,该方法在较低的采样率下具有较好的鲁棒性。
2016-07-21 cs.IT math.IT
Limits of Deterministic Compressed Sensing Considering Arbitrary Orthonormal Basis for Sparsity
它是以前示出,适当的随机线性样本的有限离散信号(矢量),它具有稀疏表示在正交基,使它有可能(概率为1)恢复原始信号。此外,线性样本的选择不依赖于稀疏域。在本文中,我们将表明,随机线性样本的信号(不一定是线性的)的确定性函数的替代将不会导致唯一的重建k-稀疏信号,除了k=1。我们将表明,存在确定性的非线性采样函数的唯一重建的1-稀疏信号,而确定性的线性样本无法做到这一点。
2009-01-22 cs.IT math.IT
Deterministic Construction of RIP Matrices in Compressed Sensing from Constant Weight Codes
压缩感知在信号处理中的实际应用需要显式的约束等距性(RIP)度量矩阵。从Reed-Solomon码、BCH码、正交码、扩展图等几个方面提出了RIP矩阵,并进行了分析。另一方面,二元等重码已经研究了很多年,已经确定了许多最佳或接近最佳的小重量和ditance等重码。本文提出了一种新的确定性构造RIP测量矩阵的压缩感知从二进制和三进制等重码。新的基于等重码的RIP矩阵的稀疏阶数和移动行数可以是任意的。这些基于等重码的RIP矩阵具有更好的参数相比,DeVore RIP矩阵的大小是小的。
2015-06-12 cs.IT math.IT
Deterministic-Random Tradeoff of Integrated Sensing and Communications in Gaussian Channels: A Rate-Distortion Perspective
集成传感和通信(ISAC)被认为是未来无线网络的关键技术。为了揭示ISAC系统的基本性能限制,本文从率失真的角度研究了矢量高斯信道下感知和通信(S&C)之间的确定性-随机权衡。我们将ISAC信号建模为携带信息的随机矩阵,其实现对于感测接收器是完全已知的,但对于通信接收器是未知的。我们描述了感知互信息条件下的随机ISAC信号,并表明它提供了一个普遍的下限失真度量的感知。此外,我们证明了失真下界最小化,如果样本协方差矩阵的ISAC信号是确定的。然后,我们提供我们的理解的主要结果,通过解释无线传感作为非合作源信道编码,并揭示了确定性随机权衡的S&C ISAC系统。最后,通过分析目标响应矩阵估计的具体实例,给出了失真界可拓性的充分条件。
2023-01-04 cs.IT eess.SP math.IT
Convolutional Compressed Sensing Using Deterministic Sequences
本文提出了一种新的循环矩阵,从确定性序列构建基于卷积的压缩感知(CS)。与随机卷积相反,底层滤波器的系数由具有良好自相关性的确定性序列的离散傅立叶变换给出。基于所提出的感知矩阵的相干参数,研究了稀疏信号的均匀恢复和非均匀恢复。序列的许多例子进行了研究,特别是Frank-Zadoff-Chu(FZC)序列,\textit{m}序列和Golay序列。所提出的传感矩阵的一个显着特点是,它们不仅可以处理在时域中的稀疏信号,但也可以在频率和/或离散余弦变换(DCT)域。
2012-10-28 cs.IT cs.MM math.IT
Deterministic Construction of Compressed Sensing Matrices using BCH Codes
在本文中,我们介绍了确定性$m\times n$ RIP满足$k$阶$\pm 1$矩阵,使得$\frac{\log m}{\log k}\approx \frac{\log(\log_2 n)}{\log(\log_2 k)}$。这些矩阵的列是二进制BCH码向量,它们的零被替换为-1(不包括归一化因子)。由这些矩阵得到的样本可以很容易地转换为原始稀疏信号;更准确地说,对于无噪声样本,简单的匹配追踪技术,即使比常见的计算复杂性,精确地重建稀疏信号。此外,使用Devore的二元矩阵,我们扩展的二元计划与$\{0,1,-1\}$元素的矩阵。
2009-08-07 cs.IT math.IT
Sensing Mutual Information for Communication Signal with Deterministic Pilots and Random Data Payloads
School of Cyber Science and Engineering, Southeast University(东南大学网络空间安全学院);School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院);School of Electrical, Computer, and Telecommunications Engineering, University of Wollongong(伍伦贡大学电气、计算机和电信工程学院);Division of Integrative Systems and Design and the Department of Electronic and Computer Engineering, the Hong Kong University of Science and Technology(香港科技大学集成系统与设计分部及电子与计算机工程系)
本文研究了在确定性导频和随机数据载荷共同存在的通信信号中,通过随机矩阵理论推导感知互信息并设计预编码方案,以提高ISAC系统的感知性能。
2026-01-16 cs.IT math.IT
Adaptive sensing using deterministic partial Hadamard matrices
本文研究了具有给定概率分布的随机向量保持熵的确定性矩阵的构造。特别是,它表明,对于随机向量具有i.i.d.离散分量,这是通过选择Hadamard矩阵的行子集来实现的,使得(i)选择是确定性的(ii)所选行的分数为零。与此相反,它表明,对于随机向量与i.i.d.连续的组件,没有部分阿达玛矩阵的减少维允许保持熵。这些结果与Wu-Verdu关于几乎无损模拟压缩的结果一致。然而,本文的动机是阿达玛矩阵的复杂性属性,它允许使用高效和稳定的重建算法。证明技术是基于极性码鞅参数和一个新的熵功率不等式的整数值随机变量。
2012-02-29 cs.IT math.IT
Deterministic coding theorems for blind sensing: optimal measurement rate and fractal dimension
完全盲感知是从测量中恢复带限信号的问题,除了频域中整个支持集的测量上界之外,没有任何频谱信息。确定重建所需和足够的测量数量一直是一个开放的问题,并且通常执行部分盲感测,假设具有一些部分光谱信息先验可用。在本文中,最小数量的测量,保证完美的恢复在没有测量误差的情况下,并在测量误差的存在下,鲁棒的恢复,确定在一个完全盲设置。结果表明,在测量率的两个因素是盲目付出的代价,重建与全光谱知识。测量的最小数量也与离散近似集的分形(Minkowski Bouligand)维数有关,定义在Kolmogorov $ε$ -熵方面。这些结果是类似于一个确定性的编码定理,在最小测量速率方面定义的操作量被证明是等于一个信息理论的。与压缩感知中的并行结果的比较示出,在随机设置中的相关维数的概念是信息(雷尼)维,定义在香农熵。
2017-08-18 cs.IT math.IT
Construction of a Large Class of Deterministic Sensing Matrices that Satisfy a Statistical Isometry Property
压缩感知的目标是使用非常少的测量来捕获$k$稀疏信号的属性。在标准压缩感测范例中,要求$\m\times \n$测量矩阵$\A$充当所有$k$稀疏信号的集合上的近似等距(受限等距属性或RIP)。虽然已知某些概率过程生成以高概率满足RIP的$\m \times \n$矩阵,但是没有用于验证给定感测矩阵$\A$是否具有对于标准恢复算法的可行性至关重要的该属性的实用算法。相反,本文提供了简单的标准,保证一个确定性的传感矩阵满足这些标准作为一个近等距的绝大多数$k$稀疏信号,特别是,大多数这样的信号有一个独特的表示在测量域。概率仍然起着关键作用,但它进入信号模型,而不是传感矩阵的构造。我们要求传感矩阵的列在逐点乘法下形成一个组。该构造允许恢复方法,其预期性能在$\n$中是次线性的,并且在$\m$中仅是二次的;对预期性能的关注比标准压缩感知中流行的最坏情况分析更典型地是主流信号处理。我们的框架包括许多家庭的确定性传感矩阵,包括那些形成离散啁啾,Delsarte-Goethals码,和扩展BCH码。
2009-10-10 cs.IT math.IT math.PR
Deterministic Bounds for Restricted Isometry of Compressed Sensing Matrices
压缩感测(CS)是一个新兴领域,其使得能够从少量$m \ll n$的线性投影重构仅具有$k \ll n$非零系数的稀疏信号$x \in {\mathbb R} ^n$。通过将$x$乘以矩阵$Φ\in {\mathbb R}^{m \times n}$ --称为CS矩阵--获得投影,其中$k < m \ll n$。在这项工作中,我们提出以下问题:给定定义CS问题大小的三重$\{k, m, n \}$,在${\mathbb R}^{m \times n}$中最好的CS矩阵的性能的确定性限制是什么?我们选择限制等轴测作为性能指标。本文利用$n$,$m$和$k$给出了${\mathbb R}^{m \times n}$中矩阵的限制等距的两个确定性逆界和一个确定性可达界.利用子矩阵奇异值与完全矩阵奇异值之间的复杂关系,得到了第一个逆界(结构界)。通过认识CS矩阵与Grassmannian空间上码的等价性,得到了CS矩阵的第二逆界(填充界)和可达界(覆盖界)。仿真结果表明,随机高斯$Φ$提供远离最佳性能。这三个界限的推导提供了几个新的几何见解,涉及最佳CS矩阵等角紧框架,韦尔奇界,代码格拉斯曼空间,和广义勾股定理(GPT)。
2011-03-27 cs.IT math.IT
Deterministic partial binary circulant compressed sensing matrices
压缩感知(CS)是一种同时获取和降低信号的稀疏表示维数的信号采集范式。这是通过收集信号的线性、非自适应测量来实现的,其可以被形式化为将信号与"测量矩阵"相乘。CS中使用的大多数矩阵是随机矩阵,因为它们在具有高概率的最佳测量次数范围内满足限制等距性质(RIP)。然而,这些矩阵有自己的警告,因此,已经提出了确定性测量矩阵。虽然在文献中有广泛的确定性矩阵类,我们提出了一类新的确定性矩阵使用勒让德符号。该构造具有简单的结构,它喜欢是二进制矩阵,并且具有部分循环结构,其提供快速矩阵-向量乘法和快速重构算法。我们将推导出可以用这类矩阵测量(和重建)的信号的稀疏水平上的界。我们使用这些矩阵进行量化,我们验证了这些矩阵的性能(并与其他现有的建设)数值。
2019-11-18 cs.IT math.IT math.ST
Near-optimal Binary Compressed Sensing Matrix
压缩感知是一种很有前途的技术,它试图用尽可能少的线性和非自适应测量来忠实地恢复稀疏信号。其性能在很大程度上取决于传感矩阵的特性。近年来,由于其相对较低的复杂度和较好的性能,人们已经确定性地构造了几种0 - 1二元感知矩阵。考虑到实现的复杂性,如果能在不损失性能的前提下进一步提高二进制矩阵的稀疏性,将具有很大的实际意义。本文在研究限制等距性(RIP)的基础上,提出了一种近似最优的二进制感知矩阵,该矩阵在尽可能稀疏的分布下保证了接近最佳的性能。该近似最优二进制矩阵可以用渐进边增长(PEG)算法确定性地构造。其性能得到了广泛的模拟证实。
2013-10-02 cs.IT math.IT
Partially deterministic sampling for compressed sensing with denoising guarantees
University of British Columbia(不列颠哥伦比亚大学);CNRS – PIMS International Research Laboratory(CNRS-PIMS国际研究实验室)
本文提出一种结合随机与确定性选择的优化采样方案,改进了图像压缩感知中生成和稀疏先验的采样效果,并提供了更优的样本复杂度和去噪保证。
2026-04-06 cs.IT cs.LG eess.SP
RIP constants for deterministic compressed sensing matrices-beyond Gershgorin
压缩感知(CS)是一种信号采集范式,同时获取和降低信号的稀疏表示的维数。这是通过收集信号的线性、非自适应测量来实现的,其可以被形式化为将信号与“测量矩阵”相乘。如果测量满足所谓的限制等距属性(RIP),那么它将适合用于压缩感知。虽然广泛的一类随机矩阵证明满足RIP与高概率,明确和确定性的建设已被证明(到目前为止),以满足RIP只有在一个显着次优制度。本文针对基于Paley紧框架的确定性构造,提出了两种基于Gershgorin圆定理的RIP常数估计的改进方法,得到了对由乘法常数限定的Gershgorin界的改进.在一种方法中,我们使用最近的结果的频谱的斜邻接矩阵的定向图。在另一种方法中,我们使用所谓的Dembo界的极端特征值的一个半正定厄米特矩阵。我们还推广这些界限,我们结合新的界限与猜想,我们作出关于分布的二次剩余在有限域中提供一个潜在的路径,以打破所谓的“平方根障碍”-我们提供了一个证明的假设,猜想成立。
2019-11-18 cs.IT math.IT math.ST
Sensing Matrix Design and Sparse Recovery on the Sphere and the Rotation Group
在本文中,{的目标是设计确定性的采样模式上的球和旋转组},从而,构造感测矩阵的稀疏恢复带限函数。首先证明了由Wigner D-函数的随机样本组成的随机感知矩阵在适当的预处理下满足限制等距性(RIP),并且可以用于旋转群上的稀疏恢复。然而,互相关是用来评估性能的确定性和定期的传感矩阵。我们发现,许多广泛使用的常规采样模式产生的传感矩阵最坏的可能的互相关,因此是不可取的稀疏恢复。使用量子力学中的角动量分析工具,我们提供了一个新的表达的相互相干性,这鼓励使用规则的高程样本。我们构造低相干确定性矩阵固定的定期样本的仰角和最小化的方位角偏振选择的相互相干。结果表明,一旦高程采样是固定的,互相关有一个下限,只依赖于高程样本。然而,这个下限,可以实现球谐函数,这导致新的传感矩阵具有更好的相干性比其他代表性的常规采样模式。这也反映在我们的数值实验中,我们提出的采样模式完全匹配随机采样模式的相变。
2020-02-24 cs.IT math.IT
On Compressed Sensing Matrices Breaking the Square-Root Bottleneck
压缩感知是信号处理领域的一个重要框架,有着广泛的实际应用.压缩感知中最具挑战性的问题之一是构造具有约束等距性质的确定性矩阵。到目前为止,只有少数出版物提供了确定性RIP矩阵击败平方根瓶颈的稀疏水平。本文研究了模素数高次剩余定义的矩阵的RIP问题。此外,我们证明了广泛相信的广义Paley图猜想意味着这些矩阵有RIP打破平方根瓶颈。
2020-10-27 cs.IT math.CO math.IT
Orthogonal symmetric Toeplitz matrices for compressed sensing: Statistical isometry property
最近,统计限制等距属性(RIP)已经制定了压缩感知的确定性采样矩阵的性能分析。在本文中,我们提出了使用正交对称Toeplitz矩阵(OSTM)的压缩感知和研究其统计RIP利用Stein的方法。特别是,我们得出的统计RIP性能界的采样矩阵的最大值和输入信号的稀疏程度。基于这样的连接,我们表明,OSTM可以满足统计RIP的绝大多数信号与给定的稀疏水平,如果一个Golay序列用于生成OSTM。这样的感测矩阵是确定性的,Toeplitz的,并且实现起来是有效的。仿真结果表明,OSTM可以提供类似于随机矩阵的重建性能。
2012-10-24 cs.IT math.IT
Spectral Universality of Regularized Linear Regression with Nearly Deterministic Sensing Matrices
该研究针对加性高斯噪声下线性回归的凸正则化最小二乘估计器,通过确定性条件定义感知矩阵普适性类,证明同类矩阵的近端梯度下降动力学及估计器性能渐近一致,可借助旋转不变系综表征有限随机结构化矩阵的回归性能。
2023-07-20 cs.IT math.IT math.PR
Compressed sensing matrices from orthogonal spaces over finite fields of odd characteristic
King Mongkut’s University of Technology Thonburi(泰国皇家理工大学吞武里分校)
本文从奇特征有限域正交空间子空间构造确定性压缩感知矩阵,建立其满足受限等距性质的充分条件,通过与DeVore构造对比说明相关性能权衡。
2026-08-25 cs.IT math.IT math.RA
A Deterministic Construction of Projection matrix for Adaptive Trajectory Compression
压缩感知技术可以从少量的测量数据中精确重构稀疏信号,在弹道压缩方面具有巨大的潜力。为了优化压缩,轨迹压缩算法需要根据轨迹的可压缩性来调整压缩比。直观地,在星光道路中移动的对象的轨迹与在蜿蜒道路中移动的对象的轨迹相比更可压缩,因此,与后者相比,在前一种情况下可实现更高的压缩。我们提出了一种支持向量回归理论的原位压缩技术,该技术可以准确地预测给定对象的平均速度的轨迹的可压缩性,然后应用压缩传感来适应轨迹的可压缩性。压缩感知的传统编码和解码过程使用预定义的字典和测量(或投影)矩阵对。然而,最佳对的选择是非平凡的和穷举的,并且对的随机选择不能保证最佳压缩性能。在本文中,我们提出了一个确定性和数据驱动的构造的投影矩阵,这是通过应用奇异值分解从数据集学习的稀疏字典。我们分析了案例研究的行人和动物的轨迹数据集,包括GPS轨迹数据从127个科目。实验结果表明,所提出的自适应压缩算法,结合确定性建设的投影矩阵,提供了显着更好的压缩性能相比,国家的最先进的替代品。
2013-07-26 cs.IT math.IT
Deterministic Constructions of Binary Measurement Matrices from Finite Geometry
研究了压缩感知中测量矩阵的确定性构造问题。该构造受到Dimakis、Smarandache和Vontobel最近发现的启发,该发现说,在$\ell_1$ -最小化下,好的低密度奇偶校验(LDPC)码的奇偶校验矩阵可以用作压缩感知的{可证明}好的测量矩阵。结合有限几何LDPC码的分析方法和结果,对所提出的二进制测量矩阵的性能进行了理论分析。特别地,火花的几个下界(即,得到了一般二元矩阵和有限几何矩阵的线性相关的最小列数,它完全表征了一般二元矩阵和有限几何矩阵的$\ell_0$ -最小化的恢复性能,并且它们在大多数情况下改进了先前已知的结果。仿真结果表明,所提出的矩阵的性能接近,有时甚至优于,相应的高斯随机矩阵。此外,所提出的矩阵是稀疏的,二进制的,其中大多数具有循环或准循环结构,这将使硬件实现方便,容易。
2014-09-27 cs.IT math.IT
Compressed sensing with combinatorial designs: theory and simulations
University of Queensland(昆士兰大学);Arizona State University(亚利桑那州立大学);Monash University(蒙纳士大学)
在“压缩感知矩阵的一个渐近结果”中,介绍了一种利用组合设计理论构造压缩感知矩阵的新方法。在本文中,我们使用确定性和概率的方法来分析从这种结构得到的矩阵的性能。我们提供了新的理论结果和详细的模拟。这些模拟表明,该结构是竞争与高斯随机矩阵,恢复是容忍噪声。还给出了一种新的恢复算法。
2015-05-20 cs.IT math.CO math.IT
Compressed Sensing Matrices from Fourier Matrices
University of Wisconsin-Milwaukee(密尔沃基威斯康星大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
本文利用Katz特征和估计,从傅里叶矩阵中确定性选择行构造压缩感知矩阵,实现了与DeVore二进制CS矩阵相当且优于先前结果的可恢复稀疏度界限,并提供了更灵活的维度选择,同时得到了近似互无偏基。
2013-01-03 cs.IT cs.NA math.IT
Deterministic Construction of Binary Measurement Matrices with Various Sizes
我们介绍了一个一般的框架,确定性地构建二进制测量矩阵的压缩感知。所提出的矩阵由(循环)置换子矩阵块和零子矩阵块组成,从而使它们的硬件实现变得方便和容易。首先,利用二元等重码的著名的Johnson界,得到了具有均匀列权的二元矩阵相干性的一个新的下界。然后,给出了一类具有相干性的二元基矩阵渐近达到这个新的界。最后,通过选择合适的行和列,我们构造了不同大小的测量矩阵,它们的性能与相应的高斯矩阵相当
2014-09-25 cs.IT math.IT
Compressed Sensing and Redundant Dictionaries
本文将压缩感知的概念扩展到在规范正交基中不稀疏而是在冗余字典中稀疏的信号。证明了由某种类型的随机矩阵和确定性字典组成的矩阵具有小的限制等距常数。因此,相对于字典稀疏的信号可以通过基追踪从少量随机测量中恢复。此外,阈值压缩感知的恢复算法进行了研究,并提供了条件,保证重建的概率高。通过数值实验对不同格式进行了比较。
2010-11-09 cs.IT math.IT math.PR
Sparse Recovery Beyond Compressed Sensing: Separable Nonlinear Inverse Problems
从非线性测量中提取信息是数据分析中的一个基本挑战。在这项工作中,我们考虑可分离的反问题,其中的数据被建模为一个线性组合的功能,非线性地依赖于某些参数的兴趣。这些参数可以表示人脑中的神经元活动、电磁波的频率、细胞中的荧光探针或生物组织的磁弛豫时间。可分离的非线性反问题可以转化为欠定稀疏恢复问题,并利用凸规划求解。这种方法在从物理学到医学成像的各个领域都取得了经验性的成功,但缺乏理论依据。特别是,压缩感知理论不适用,因为测量算子是确定性的,并违反非相干条件,如限制等距属性。我们的主要贡献是稀疏恢复适应确定性设置的理论。我们表明,凸规划成功地恢复感兴趣的参数,只要它们的值是足够不同的测量算子的相关结构。通过数值实验说明了两个应用程序的理论结果:热源定位和估计脑电数据的大脑活动。
2020-07-05 cs.IT cs.NA eess.SP
On block coherence of frames
矩阵的块相干性在分析块压缩感知恢复算法的性能中起着重要作用(Bajwa和Mixon,2012)。在本文中,我们描述了两个块一致性度量:最坏情况和平均块一致性。首先,我们提出了最坏情况下的块一致性的下限,在一般情况下,也当矩阵被约束为一个联盟的orthobases。然后,我们提出了确定性矩阵结构的基础上克罗内克产品获得这些下界。我们还刻画了随机子空间的最坏情况块相干性。最后,我们提出了一个翻转算法,可以提高矩阵的平均块一致性,同时保持最坏情况下的块一致性的原始矩阵。我们提供的数值例子表明,我们提出的确定性矩阵构造块压缩感知表现良好。
2014-02-20 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
Invariance of the spark, NSP order and RIP order under elementary transformations of matrices
压缩感知理论告诉我们,恢复所有k稀疏信号需要一个感知矩阵满足其spark大于2k,或其零空间性质(NSP)或限制等距性质(RIP)的阶数大于或等于2k。如果我们对感知矩阵进行初等行或列运算,其spark、NSP阶和RIP阶会发生什么变化?本文研究了这一问题,发现感知矩阵的这三个量化指标在除列加变换外的所有矩阵初等变换下都具有不变性。将这一结果以矩阵乘积的形式表示,得到了与感知矩阵相乘,并使乘积仍具有与感知矩阵相同的稀疏恢复性质的矩阵类型。根据这些类型的矩阵,我们发现了一个有趣的现象,即具有确定性结构的感知矩阵不具有具有随机结构的感知矩阵所具有的普适性。
2015-02-10 cs.IT math.IT
On Identity Testing of Tensors, Low-rank Recovery and Compressed Sensing
我们研究的问题,获得有效的,确定性的,黑盒多项式身份测试算法的深度3集多线性电路(在任意字段)。这类电路有一个有效的,确定性的,白盒多项式身份测试算法(由于Raz和Shpilka),但没有已知的黑盒算法。我们将这个问题重新定义为寻找一个低维子空间H,由秩为1的张量张成,使得对偶空间ker(H)中的任何非零张量都具有高秩。我们得到明确的结构,基本上最佳大小的击中2度张量(矩阵),并获得准多项式大小的击中任意张量(但这第二次击中集是不太明确)。我们还显示了连接到执行低秩恢复矩阵的任务,这是在压缩感知领域的研究。低秩恢复要求(比如说,在实数上)在保证M的秩<=r的情况下,从几个测量值中恢复矩阵M。我们还给出了低秩恢复和稀疏(向量)恢复任务之间的正式联系:任何稀疏恢复算法,精确恢复长度为n和稀疏度为2 r的向量,使用m个非自适应测量,产生一个低秩恢复方案,用于精确恢复秩<=r的nxn矩阵,进行2nm非自适应测量。此外,如果稀疏恢复算法在时间τ内运行,则低秩恢复算法在时间O(rn^2+nτ)内运行。我们使用线性代数技术获得这种减少,而不是使用凸优化,这是更常见的压缩感知算法。通过使用对偶Reed-Solomon码,我们能够(确定性地)构造在实数上进行4 nr次测量的低秩恢复方案,使得测量可以是所有秩1矩阵或所有稀疏矩阵。
2011-11-02 cs.CC cs.IT math.IT
Hierarchical Recovery in Compressive Sensing
提出了一种基于确定性列替换技术的压缩感知组合方法。非正式地,它将模式矩阵和成分测量矩阵作为输入,并且通过用来自成分矩阵的列替换模式矩阵的元素来产生更大的测量矩阵。这种分层技术在稀疏信号恢复中具有很大的灵活性。具体而言,所得测量矩阵的恢复不依赖于任何固定算法,而是依赖于每个成分矩阵的恢复方案。在本文中,我们调查了某些权衡信号恢复,考虑到所需的计算投资。处理信号恢复中的噪声需要额外的条件,包括模式矩阵和成分测量矩阵。
2014-03-04 cs.IT math.CO math.IT
Reed Muller Sensing Matrices and the LASSO
我们构建了两个家庭的确定性传感矩阵的列是通过指数的四元Delsarte-Goethals码$DG(m,r)$的码字。这种构造方法导致具有低相干性和谱范数的感测矩阵。第一类是具有冗余$2^{rm}$的$2^m$维紧框架,我们称之为Delsarte-Goethals框架。第二类,我们称之为Delsarte-Goethals筛,是通过在Delsarte-Goethals框架中对列向量进行二次采样而获得的。Delsarte-Goethals筛的不同行可能不是正交的,我们提出了一个有效的算法来识别所有对非正交行。这两个对是重复的测量,消除它们会导致一个紧密的框架。实验结果表明,所有具有$m\leq 15$和$r\geq2$的$DG(m,r)$筛都是紧框架;没有重复的行。对于这两个家庭的传感矩阵,我们测量重建的准确性(统计0-1损失)和复杂性(平均重建时间)作为稀疏水平$k$的函数。我们的研究结果表明,DG框架和筛优于随机高斯矩阵的无噪和噪声信号恢复使用LASSO。
2010-04-28 cs.IT math.IT
3C Resources Joint Allocation for Time-Deterministic Remote Sensing Image Backhaul in the Space-Ground Integrated Network
State Key Laboratory of Integrated Service Networks Xidian University, Xi'an, Shaanxi, 710071, China Email
针对天地一体化网络中观测卫星计算资源有限导致的图像回传超时问题,提出MDR-TEG模型和SRCC算法,联合分配通信、缓存、计算资源,最大化时间确定性图像成功传输率。
2025-10-10 cs.IT cs.SY eess.SY
Polarization of the Renyi Information Dimension with Applications to Compressed Sensing
在本文中,我们表明,阿达玛矩阵作为一个提取器在现实的Renyi信息维(RID),在一个类似的方式,它如何作为一个提取器的离散熵在有限域。更准确地说,我们证明了一个i.i.d.混合随机变量序列经Hadamard矩阵变换后,分别极化到0和1的极值(分别对应于离散分布和连续分布)。此外,我们证明了RID的偏振模式承认一个封闭的形式的表达,并严格遵循二进制擦除信道(BEC)偏振模式的离散设置。我们还将结果从单终端扩展到多终端设置,获得了RID极化的Slepian Wolf对应物。我们讨论的RID偏振压缩感知的i.i.d.的应用。源特别地,我们使用RID极化构造一族用于压缩感知的确定性$\pm 1$值感知矩阵。我们进行数值模拟,比较所得矩阵的性能与随机高斯和随机阿达玛矩阵。结果表明,所提出的矩阵提供竞争力的性能,而被明确地构造。
2017-08-23 cs.IT math.IT
On one-stage recovery for $ΣΔ$-quantized compressed sensing
压缩感知(CS)是一种信号采集范式,同时获取和降低信号的稀疏表示的维数。当根据CS的原理获取这样的信号时,测量仍然采用连续统中的值。在当今的“数字”世界中,随后的量化步骤至关重要,其中这些测量值被有限集合中的元素取代。我们专注于产生有效的量化器CS的方法之一:$ΣΔ$量化,其次是一个阶段的易处理的重建方法,这是由Saab等人开发的。在亚高斯矩阵的情况下,理论误差保证。我们提出了两种替代方法,扩展这一结果更广泛的一类测量矩阵,包括(某些酉变换)部分有界正交系统和确定性结构的基础上啁啾传感矩阵。
2019-11-18 cs.IT math.IT math.ST
Bistatic Target Detection by Exploiting Both Deterministic Pilots and Unknown Random Data Payloads
School of Cyber Science and Engineering, Southeast University(东南大学网络空间安全学院);School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院);Division of Integrative Systems and Design and the Department of Electronic and Computer Engineering, the Hong Kong University of Science and Technology(香港科技大学集成系统与设计系及电子与计算机工程系)
针对双基地ISAC中混合信号导致的检测难题,本文提出基于GLRT的检测器,利用已知导频和随机载荷统计特性,通过渐近分析揭示权衡,仿真验证其有效性。
2026-10-26 cs.IT eess.SP math.IT
Compressed Shattering
压缩感知的中心思想是利用大多数感兴趣的信号在某些域中是稀疏的这一事实,并使用这一点来减少要编码的测量数量。然而,如果输入信号的稀疏性不是精确已知的,而是已知位于指定范围内,则压缩感测本身不能利用这一事实,并且即使对于非常稀疏的信号也需要使用相同数量的测量。在本文中,我们提出了一种新的方法,称为压缩破碎,以适应压缩感知指定的稀疏范围,而不改变传感矩阵,通过创建破碎的信号,具有固定的稀疏性。这是通过首先适当地置换输入频谱,然后使用滤波器组来创建固定的稀疏破碎信号来实现的。通过确保所有破碎的信号是最大的1-稀疏,我们利用一个简单但有效的确定性传感矩阵,产生非常低的测量数量。对于长度为1000的离散时间信号,具有$5 - 25$的稀疏范围,传统的压缩感知需要$175$测量,而压缩破碎将仅需要$20 - 100$测量。
2016-01-10 cs.IT math.IT
Almost Optimal Phaseless Compressed Sensing with Sublinear Decoding Time
在压缩相位恢复的问题中,在给定$Φx$的条目的幅度的情况下,想要恢复近似$k$ -稀疏信号$x \in \mathbb{C}^n$,其中$Φ\in \mathbb{C}^{m \times n}$。随着\cite{cai2014super,pedarsani2014phasecode,yin2015fast}中出现的次线性时间算法,这个问题受到了相当多的关注。在本文中,我们进一步调查的方向,实信号的次线性解码的恢复计划下的$\ell_2 / \ell_2$保证,几乎最佳的,$\Oh(k \log n )$,测量数。我们的结果优于所有以前的次线性时间算法的情况下,真正的信号。此外,我们给出了一个非常简单的确定性计划,恢复所有的$k$稀疏矢量在$\Oh(k^3)$时间,使用$4k-1$测量。
2020-02-18 cs.IT math.IT
Energy-Efficient Sensor Censoring for Compressive Distributed Sparse Signal Recovery
为了在能量效率和数据质量控制之间取得平衡,提出了一种基于压缩感知的传感器网络分布式稀疏信号恢复的传感器删失方案。在该方法中,每个传感器节点采用一个稀疏的感知矢量与已知的支持数据压缩,同时使本地推理的稀疏信号矢量的未知支持的兴趣。这自然导致三元删失协议,由此每个传感器(i)如果检测到感测向量支持与信号支持重叠,则直接发送实值压缩数据,(ii)如果推断出空支持重叠,则发送一位硬判决,(iii)如果测量被判断为无信息,则保持沉默。然后,我们的设计旨在最小化空支持重叠被决定但否则为真的错误概率,受到可容忍的假警报概率的约束,非空支持重叠被决定但否则为真,以及目标删失率。我们推导出一个封闭形式的最佳删失规则的公式,一个低复杂度的实施,使用二分搜索也开发。此外,还分析了平均通信成本。为了帮助全局信号重建建议的审查框架下,我们提出了一种改进的l_1最小化算法,利用一定的稀疏性的硬决策向量在融合中心接收。分析性能保证,其特征在于在限制等距属性,也来自。计算机模拟被用来说明所提出的方案的性能。
2018-01-15 cs.IT math.IT
Universality of Linearized Message Passing for Phase Retrieval with Structured Sensing Matrices
在相位恢复问题中,试图从形式为$y_i = |(\mathbf{A} \mathbf{x})_i|$的$m$测量中恢复未知的$n$维信号矢量$\mathbf{x}$,其中$\mathbf{A}$表示感测矩阵。许多算法都是基于近似消息传递的。对于这些算法,已知如果感测矩阵$n$是通过对均匀随机(即,Haar分布)正交矩阵,在高维渐近区域($m,n \rightarrow \infty, n/m \rightarrow κ$)中,算法的动力学由称为状态演化的确定性递归给出。对于一类特殊的线性化的消息传递算法,我们表明,状态演变是普遍的:它继续持有,即使当$\mathbf{A}$是由随机子采样列的Hadamard-Walsh矩阵,提供的信号是从高斯先验。
2022-06-09 cs.IT math.IT math.ST
Compressed Sensing by Shortest-Solution Guided Decimation
压缩感知是科学和工程领域中的一个重要问题。它通过寻找欠定线性方程的稀疏解来重构信号。在这项工作中,我们提出了一个确定性和非参数算法SSD(最短解引导抽取)的递归抽取线性方程的稠密最小二乘解的指导下,构建支持的稀疏解决方案。SSD最显著的特征是其对采样矩阵中的相关性不敏感。使用广泛的数值实验,我们表明,SSD大大优于L1-范数为基础的方法,正交最小二乘法,正交匹配追踪,近似消息传递时,采样矩阵包含强相关性。这种良好的相关容差特性使SSD成为适用于不同类型的真实信号采集任务的通用且强大的工具。
2017-12-18 cs.IT eess.SP math.IT
On sparse interpolation and the design of deterministic interpolation points
Institute of Computational Mathematics and Scientific/Engineering Computing, AMSS, the Chinese Academy of Sciences(中国科学院计算数学与科学工程计算研究所)
本文构建了稀疏插值的框架,探讨了稀疏插值中非奇异点数的理论极限,分析了经典插值与稀疏插值的关系,并提出了一种确定性方法设计高维切比雪夫基底下的s-稀疏函数插值点,通过ℓ1最小化验证其性能。
2013-08-29 cs.IT cs.NA math.IT