Reconstruction of Multidimensional Signals from Irregular Noisy Samples
我们专注于一个多维领域与不相关的频谱,并研究重建信号的质量时,现场样本是不规则的间隔和独立同分布的噪声的影响。更具体地说,我们应用线性重建技术,并采取的字段估计的均方误差(MSE)作为一个度量来评估信号重建质量。我们发现,MSE分析可以通过使用表示采样系统的矩阵的特征值分布的封闭形式的表达式进行。不幸的是,这种分布仍然是未知的。因此,我们首先推导出一个封闭形式的分布矩的表达式,我们发现,本征值分布趋于Marcenko-Pastur分布的场维数趋于无穷大。最后,通过使用我们的方法,我们得到了一个紧密的近似的MSE的重建领域。
2008-04-21 cs.IT math.IT
Analysis of Gradient based Algorithm for Signal reconstruction in the Presence of Noise
信号处理中的一个常见问题是丢失信号样本的重建。为了减少存储器需求或加快传输过程,有意省略信号系数可能会导致样本丢失。此外,有噪声的信号系数可以被认为是缺失的,因为它们由于噪声而具有错误的值。这些系数的重建是一项艰巨的任务,在压缩传感领域内考虑。如果满足一定的条件,可以恢复具有大量缺失样本的信号。存在用于信号重构的许多算法。本文分析了基于梯度的迭代稀疏信号重构算法的性能。测试了参数对算法最优性能的影响。观察到两种情况:无噪声和噪声信号的情况。
2015-02-26 cs.IT math.IT
Signal reconstruction from noisy multichannel samples
本文研究了多通道采样信号在噪声存在的情况下的信号重构问题。观察到,如果样本不精确,则严格执行多通道内插是不合适的。因此,合理的光顺和正则化校正是必不可少的。在本文中,我们提出了几种不同的平滑和正则化原则下的信号重建的方法从噪声多通道样本。我们比较这些信号重建方法在理论和实验上在各种情况下。为了证明所提出方法的有效性,提供了这些方法的概率解释和误差分析。最后,给出了数值模拟结果,并给出了一些使用方法的指导原则.
2022-02-11 cs.IT math.CA math.IT
Scalable low dimensional manifold model in the reconstruction of noisy and incomplete hyperspectral images
Duke University(杜克大学);Tsinghua University(清华大学)
我们提出了一个可扩展的低维流形模型的噪声和不完整的高光谱图像的重建。该模型是基于高光谱图像的空间光谱块通常位于接近低维流形的集合的观察。为了强调这一点,流形的维数直接用作变分泛函中的正则化子,通过交替方向的最小化和加权非局部拉普拉斯算子有效地解决了这一问题。与一般的3D图像不同,高光谱图像的所有光谱波段可以共享相同的相似性矩阵,因此所得到的算法比一般的3D数据更具可扩展性。对稀疏和噪声采样的高光谱图像重建的数值实验表明,我们提出的算法在速度和精度方面的优越性。
2018-03-23 cs.CV cs.IT math.IT
Coding for Sequence Reconstruction for Single Edits
Levenshtein在2001年提出的序列重构问题考虑了一种通信场景,其中发送方从某个码本发送码字,接收方获得码字的多个噪声读取。常见的设置假设码本是整个空间,并且问题是确定重构所发送的码字所需的不同读取的最小数量。受现代存储设备的启发,我们研究了一个变种的问题,其中的噪声读取数$N$是固定的。具体而言,我们设计了从$N$不同的噪声读取重建码字的重建代码。我们专注于引入单个编辑错误(即单个替换,插入或删除)及其变体的通道,并为$N$的所有值设计重建代码。特别是,对于一个单一的编辑的情况下,我们表明,随着噪声读取的数量增加,所需的冗余位的数量可以优雅地减少从$\log n+O(1)$到$\log \log n+O(1)$,然后到$O(1)$,其中$n$表示码字的长度。我们还表明,某些重建代码的冗余度是在一位的最优性。
2020-06-15 cs.IT math.IT
Note on Noisy Group Testing: Asymptotic Bounds and Belief Propagation Reconstruction
最近Atia和Saligrama提出了一种基于信息论的分组测试问题的观点,以确定最优测试次数。他们的结果在无噪声的情况下成立,只有假阳性发生,只有假阴性发生。我们将他们的结果扩展到一个包含假阳性和假阴性的模型,开发了所需测试数量的简单信息理论界限。基于这些界限,我们得到了改进的收敛阶的情况下,假阴性。由于这些结果是基于(计算上不可行的)联合典型性解码,我们提出了一个信念传播算法检测有缺陷的项目,并比较其实际性能的理论界。
2010-10-12 cs.IT math.IT
Reconstructing Reed-Solomon Codes from Multiple Noisy Channel Outputs
Technion(以色列理工学院);NTU(南洋理工大学)
本文提出了一种基于Koetter-Vardy算法的高效方法,用于从多个带噪信道输出中重建Reed-Solomon码,并推导出码率阈值以保证低误码率。
2026-01-15 cs.IT math.IT
Sequence Reconstruction for Substitution Channel: New Sufficient Conditions and Algorithms
Shandong University(山东大学);Technion — Israel Institute of Technology(以色列理工学院)
针对替代信道中的序列重建问题,提出了一种考虑读取次数和读取间距离的新充分条件,并设计了相应的有效重建算法。
2026-06-03 cs.IT math.IT
Polar Coding for Empirical Coordination of Signals and Actions over Noisy Channels
- 我们开发了一种极性编码方案,用于在具有噪声链路的两节点网络中进行经验协调,其中输入和输出信号必须与源和重建进行协调。在非因果编码和解码的情况下,我们证明了极化码实现了经验协调区域的最佳已知内界,前提是公共随机性的消失率可用。该方案提供了一个建设性的替代随机装箱和编码证明。
2016-09-21 cs.IT math.IT
Optimized Compressed Sensing Matrix Design for Noisy Communication Channels
我们研究了一个压缩感知框架中的功率受限感知矩阵设计问题。我们采用均方误差(MSE)的性能标准,在系统中的源到传感器的信道和传感器到解码器的通信信道是嘈杂的稀疏源重建。我们提出的传感矩阵设计过程依赖于最小化MSE的下限。在一定的条件下,我们得到封闭形式的解决方案的优化问题。通过数值实验,应用实际的稀疏重建算法,我们通过与其他相关方法的比较,显示了该方案的实力。我们讨论了我们的设计方法的计算复杂性,并开发了一个等效的随机优化方法的兴趣,可以近似地解决了一个显着减少计算负担的问题。我们说明了低复杂度的方法仍然优于流行的竞争方法。
2014-09-26 cs.IT math.IT
Strong Coordination of Signals and Actions over Noisy Channels
- 我们开发了一种随机合并方案,用于在由噪声信道分隔的两个节点的网络中进行强协调,其中输入和输出信号必须与源及其重建进行协调。在非因果编码和解码的情况下,我们提出了一种联合信源-信道编码方案,并开发了强协调区域的内外界。虽然一组可实现的目标分布是相同的经验协调,我们的特点是强协调所需的共同随机率。
2017-05-16 cs.IT math.IT
Walsh Sampling with Incomplete Noisy Signals
不可否认,随着以固定速率输出大量数据的出现,信号处理技术发挥着越来越关键的作用。如今,信号不仅限于物理源,它们也已扩展到数字源。在离散统计信号源的一般假设下,提出了一个不完全噪声信号采样的实际问题,我们不知道先验和采样大小是有界的。我们通过Shannon的信道编码定理来处理这个采样问题。我们的主要结果表明,它是大沃尔什系数(S)的特点(S)离散统计信号,无论信号源。通过与Shannon定理的联系,我们首次建立了一般抽样问题的充要条件。我们的通用采样结果不仅在统计密码分析中,而且在软件系统性能优化中找到了实际和强大的应用。
2018-01-19 cs.IT math.IT
Modified Basis Pursuit Denoising(MODIFIED-BPDN) for Noisy Compressive Sensing with Partially Known Support
在这项工作中,我们研究的问题重建稀疏信号从有限数量的线性“不相干”噪声测量,当它的支持的一部分是已知的。支持的已知部分可以从先验知识或从先前时刻(在需要稀疏信号的时间序列的递归重建的应用中,例如动态MRI)获得。研究了一种改进的基追踪去噪算法(BPDN),并对其重构误差进行了限制.我们的工作的一个关键特征是,我们得到的界限是可计算的。因此,我们能够使用Monte Carlo来研究它们的平均行为,因为未知支持的大小增加。我们还表明,当未知的支持大小是小的,修改BPDN的界限比BPDN更紧,并在更弱的充分条件下(需要更少的测量)。
2009-10-08 cs.IT math.IT
Reconstruction of Signals Drawn from a Gaussian Mixture from Noisy Compressive Measurements
本文确定在一个单一的测量所需的最小数量的测量,成功地重建从高斯混合模型在低噪声制度的信号。该方法是开发的上界和下界是由高斯混合分量所跨越的线性子空间的最大维数的函数。该方法不仅揭示了存在或不存在的最小均方误差(MMSE)的错误地板(相变),但也提供了洞察MMSE衰减通过多元概括的MMSE维度和MMSE功率偏移,这是一个函数的内核和高斯混合的几何属性之间的相互作用。这些结果不仅适用于标准的线性随机高斯测量,但也线性内核,最小化的MMSE。结果表明,最佳内核不改变与MMSE相变相关联的测量的数量,而是它们影响所需的感测功率,以实现目标MMSE在低噪声制度。总的来说,我们的界限是更严格和更尖锐的比标准的界限上的最小数量的测量需要恢复稀疏信号与子空间模型的联盟,因为它们不是渐近的信号维度或信号稀疏。
2014-03-17 cs.IT math.IT
Methods for the Reconstruction of Parallel Turbo Codes
我们提出了两个新的算法重建的Turbo码从一个嘈杂的截取的比特流。利用这些算法,我们能够重构出具有实际参数大小的各种Turbo码。据我们所知,这些是第一个算法能够恢复整个置换的Turbo码在存在高噪声水平。
2010-06-01 cs.IT math.IT
Trade-offs Between Weak-Noise Performance and Probability of Anomaly in Parameter Estimation from Noisy Chaotic Signals
本文从波形通信的扭曲调制视角研究噪声混沌信号的参数估计问题,推导了此类混沌调制器在高SNR且异常概率较小要求下的弱噪声估计误差下界,并指出使用路径信号代替主混沌输出信号可超越该下界。
2023-08-01 cs.IT math.IT
Reconstructing Graph Signals from Noisy Dynamical Samples
本文研究图信号动态采样中的时空权衡问题,推导了带限信号可重建的充分必要条件,并提出优化传感器放置的数值算法以最小化含噪恢复的均方误差,实验证明其性能优于已有方法。
2024-11-19 cs.IT math.IT
Stability (over time) of Modified-CS and LS-CS for Recursive Causal Sparse Reconstruction
在这项工作中,我们获得了我们最近提出的算法,修改CS(噪声测量)和最小二乘CS-残差(LS-CS),设计用于递归重建稀疏信号序列从噪声测量的“稳定性”的充分条件。所谓“稳定性”,我们的意思是来自当前支持估计的未命中数量和其中的额外数量在任何时候都保持由时不变值限制。这个概念只有在边界与当前信号支持大小相比很小时才有意义。一个直接的推论是,重建误差也有界的时间不变和小的值。
2010-06-24 cs.IT math.IT stat.ME
On Detection-Directed Estimation Approach for Noisy Compressive Sensing
在本文中,我们研究了贝叶斯稀疏重建算法称为压缩感知通过贝叶斯支持检测(CS-BSD)。该算法对测量噪声具有很强的鲁棒性,并且在一定的信噪比阈值之外具有最小均方误差(MMSE)估计器的性能。CS-BSD的核心思想是重构采用了一种面向检测的估计结构,包括两部分:支持检测和信号值估计。置信传播(BP)和贝叶斯假设检验执行支持检测,并且MMSE估计器找到属于支持集的信号值。CS-BSD比其他基于BP的算法收敛得更快,并且它可以转换为并行架构以变得更快。数值结果验证了CS-BSD的优越性相比,最近的算法。
2012-05-14 cs.IT math.IT
Sparse approximation property and stable recovery of sparse signals from noisy measurements
在本文中,我们引入了一个测量矩阵${\bf A}$的$s$阶稀疏逼近性质:$$\|{\bf x}_s\|_2\le D \|{\bf A}{\bf x}\|_2+ β\frac{σ_s({\bf x})}{\sqrt{s}} \quad {\rm for\ all} \ {\bf x},$$其中${\bf x}_s$是$\ell^2$中的向量${\bf x}$的最佳$s$ -稀疏逼近,$σ_s({\bf x})$是$\ell^1$中的向量${\bf x}$的$s$ -稀疏逼近误差,并且$D$和$β$是正常数。测量矩阵的稀疏近似性质可以被认为是其限制等距性质的较弱版本和其零空间性质的较强版本。在本文中,我们证明了稀疏逼近属性是测量矩阵上的一个适当条件,可以考虑从其有噪测量中稳定恢复任何可压缩信号。特别是,我们表明,任何可压缩signalcan稳定地恢复从其噪声测量通过解决$\ell^1$ -最小化问题,如果测量矩阵具有稀疏逼近性质与$β\in (0,1)$,相反,测量矩阵具有稀疏逼近性质与$β\in (0,\infty)$,如果任何可压缩信号可以稳定地恢复从其噪声测量通过解决一个$\ell^1$ -最小化问题。
2011-07-26 cs.IT math.IT
Distributed Reconstruction of Noisy Pooled Data
在池数据问题中,我们给出一组$n$代理,每个代理都拥有一个隐藏状态位,或者是$0$,或者是$1$。查询过程为查询集返回被查询代理的状态之和。目标是使用尽可能少的查询来重建状态。在本文中,我们考虑两个噪声模型的合并数据问题。在噪声信道模型中,每个代理的结果以一定的概率翻转。在噪声查询模型中,每个查询结果都受到随机高斯噪声的影响。我们的结果是双重的。首先,我们提出并分析了两个错误模型的一个简单而有效的分布式算法,重建的初始状态,在一个贪婪的方式。我们的新分析确定了错误概率和分布的范围,我们的算法以高概率重建了精确的初始状态。其次,我们提出了我们的算法的模拟结果,并比较其性能与近似消息传递(AMP)算法,被证明是最佳的一些相关问题。
2022-04-14 cs.DC cs.DM cs.IT
Reconstruction of sparse wavelet signals from partial Fourier measurements
在本文中,我们表明,高维稀疏小波信号的有限水平,可以构造从他们的部分傅立叶测量的确定性采样集的基数约为信号稀疏的倍数。
2015-06-05 cs.IT math.IT
Reconstruction of Sequences Distorted by Two Insertions
重建码是纠错码的推广,其可以通过给定数量的噪声读取来纠正错误。Levenshtein于2001年开始研究这种代码,最近由于在现代存储设备中的应用而发展,例如赛道存储器和DNA存储。关于这个主题的中心问题是设计具有对于给定数目的噪声读段$N$尽可能小的冗余度的代码。在本文中,这样的代码的最小冗余的二进制信道正好有两个插入渐近确定的所有值的$N\ge 5$。以前,这样的代码只研究了单一的编辑错误或两个删除错误的通道。
2023-02-20 cs.IT math.CO math.IT
Conditions for Unique Reconstruction of Sparse Signals Using Compressive Sensing Methods
如果一个信号在其表示域中的非零系数的数量远小于系数的总数,则该信号在该表示域中是稀疏的。稀疏信号可以从一组非常精简的测量/观察中重建。本文的主题是条件的稀疏信号的唯一重建从一个减少的观察。在介绍了基本定义之后,使用测量矩阵的火花、限制等距和相干性来审查唯一的重建条件。在离散傅立叶域(DFT)作为最重要的信号变换域,也考虑了信号稀疏重构的唯一性。
2017-06-16 cs.IT math.IT
Compressive Sensing of Sparse Signals in the Hermite Transform Basis: Analysis and Algorithm for Signal Reconstruction
分析了在Hermite变换域中稀疏信号中缺失样本的影响。基于推导出的随机欠采样信号Hermite系数的统计性质,确定了信号分量支持检测的成功概率。基于概率分析,提供了用于检测信号分量的阈值。这是定义用于压缩感知信号重构的简单非迭代算法的关键步骤。导出的理论概念证明了几个例子,使用不同的统计检验。
2015-11-14 cs.IT math.IT
Iterative Methods for Sparse Signal Reconstruction from Level Crossings
这封信认为稀疏信号重建的问题,从其水平交叉(LC)的时间。我们制定了一个单一的1位压缩感知(CS)模型的稀疏零交叉(ZC)重建问题。我们还扩展了平滑L0(SL 0)稀疏重建算法的1位CS框架,并提出了二进制SL 0(BSL 0)算法的稀疏信号从ZC的迭代重建的情况下,稀疏系数的数量是不知道的重建算法先验。类似的ZC的情况下,我们提出了一个系统的同时约束signed-CS的问题,从其水平交叉(LC)的重建稀疏信号和修改的二进制迭代硬采样保持(BIHT)和BSL 0算法来解决这个问题。仿真结果表明,与文献相比,所提出的LC重建技术的优越性能。
2016-11-30 cs.IT math.IT
Graph Reconstruction from Noisy Random Subgraphs
该研究探讨从含噪随机子图重建无向图的问题,分析了两种噪声模型下随机图的高概率重建所需迹的数量下界,并证明任意图重建需指数级数量的迹。
2025-07-31 cs.DS cs.IT math.IT
Thresholding-based reconstruction of compressed correlated signals
我们考虑恢复一组相关信号的问题(例如,来自不同视点的图像)从每个信号的几个线性测量。我们假设网络中的每个传感器以线性测量的形式获取压缩信号,并将其发送到联合解码器进行重建。我们提出了一种新的联合重建算法,利用相关的潜在信号。我们的相关模型考虑了不同信号的支持之间的几何变换。建议的联合解码器估计的相关性和重建信号使用一个简单的阈值算法。我们给出了理论和实验证据表明,我们的方法在支持恢复和重建质量方面大大优于独立解码。
2012-04-02 cs.IT cs.NI math.IT
Estimating Signals with Finite Rate of Innovation from Noisy Samples: A Stochastic Algorithm
作为最近引入的新息率概念的一个例子,可以通过线性滤波后进行均匀采样来获取作为每单位时间有限数量的Dirac的线性组合的信号。然而,实际上,样本很少是无噪声的。本文介绍了一种新的随机算法,用于从噪声样本中重建具有有限新息率的信号。即使这个问题的变体已经接近之前,满意的解决方案仅适用于某些类别的采样内核,例如内核满足的Strang-Fix条件。在本文中,我们考虑无限支持高斯核,它不满足Strang-Fix条件。可以采用其他类别的内核。我们的算法是基于吉布斯抽样,一个马尔可夫链蒙特卡罗(MCMC)方法。大量的数值模拟表明,我们的算法的准确性和鲁棒性。
2008-01-03 cs.IT math.IT stat.AP
Thresholded Basis Pursuit: An LP Algorithm for Achieving Optimal Support Recovery for Sparse and Approximately Sparse Signals from Noisy Random Measurements
Boston University(波士顿大学)
在本文中,我们提出了一个线性规划的解决方案,从噪声随机投影信号的稀疏信号的符号模式恢复。我们考虑两种类型的噪声模型,输入噪声,其中噪声在随机投影之前进入;和输出噪声,其中噪声在随机投影之后进入。符号模式恢复涉及到稀疏信号符号模式的估计。我们的想法是假装没有噪声存在,并解决无噪声的$\ell_1$问题,即$\min \|β\|_1 ~ s.t. ~ y=G β$和量化的结果的解决方案。我们表明,量化的解决方案完美地重建一个足够稀疏的信号的符号模式。具体来说,我们发现,一个任意的k-稀疏,n维信号$x$的符号模式可以恢复与$SNR=Ω(\log n)$和测量缩放为$m= Ω(k \log{n/k})$的所有稀疏水平$k$满足$0< k \leq αn$,其中$α$是一个足够小的正常数。令人惊讶的是,这个界限匹配的最佳\emph{Max-Likelihood}性能界限方面的$SNR$,所需的数量的测量,并允许稀疏水平,在有序的意义。与我们的研究结果相比,以前的结果的基础上LASSO和最大相关技术要么假设显着较大的$SNR$,次线性稀疏水平或限制性假设信号集。我们的证明技术是基于无噪声$\ell_1$问题的噪声扰动,在此,我们估计的最大容许噪声电平之前,符号模式恢复失败。
2010-05-08 cs.IT cs.LG math.IT
Noisy Signal Recovery via Iterative Reweighted L1-Minimization
University of California, Davis(加州大学戴维斯分校)
本文分析含噪情况下的迭代重加权L1最小化方法,并证明其误差界优于标准L1最小化方法。
2009-04-24 cs.IT cs.NA math.IT
Subspace Pursuit for Compressive Sensing Signal Reconstruction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出一种名为子空间追踪的新方法,用于有/无噪声干扰下的稀疏信号重建,具有低计算复杂度和高重建精度。
2009-01-08 cs.IT cs.NA math.IT
Signal Recovery From 1-Bit Quantized Noisy Samples via Adaptive Thresholding
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文提出了一种高效的信号恢复方法,能够在白噪声或彩色噪声污染的1位测量中准确估计目标信号,通过自适应量化阈值法提供统一框架处理任意协方差矩阵的噪声,包括彩色噪声。
2018-12-10 cs.IT cs.SY eess.SP
Guided Signal Reconstruction Theory
一个公理化的方法来信号重建制定,涉及一个样本一致集和指导集,描述所需的重建。提出了一种新的无帧重建方法,即重建集的概念,重建集定义为样本一致集和引导集之间的最短路径。在Hilbert空间中研究了重建集的存在性和唯一性,其中引导集是一个闭子空间,样本一致集是由一个采样子空间构成的一个闭平面.连接到以前已知的一致,广义和正则化重建澄清。新的稳定性和重建误差界的推导,使用采样和引导子空间之间的最大非平凡的角度。提出了共轭梯度迭代重建算法,并给出了数值例子。
2017-02-02 cs.IT math.FA math.IT