Compressive Measurements Generated by Structurally Random Matrices: Asymptotic Normality and Quantization
结构随机矩阵(SRM)是一个实际的替代完全随机矩阵(FRM)时,产生压缩感知测量,因为它们的计算效率和它们的通用性,相对于稀疏的基础。在这项工作中,我们得出的统计分布的压缩测量所产生的各种类型的SRM,作为信号特性的函数。我们表明,在广泛的条件下,该分布是一个渐进的多变量正态分量的混合。我们指出的量化和编码的测量和讨论测量传输系统的设计考虑的影响。对真实视频信号的仿真证实了理论研究结果,并表明SRMs的信号随机化产生了显着的改善量化性能。
2015-07-24 cs.IT math.IT
A Cross-Layer Approach to Data-aided Sensing using Compressive Random Access
在本文中,数据辅助传感作为物联网(IoT)应用中的跨层方法进行了研究,其中多个IoT节点收集测量值并将其传输到接入点(AP)。假设测量具有稀疏表示(由于空间相关性),并且压缩感知(CS)的概念可以用于有效的数据汇集。对于数据辅助传感,提出了一种节点选择标准,通过迭代利用来自所选节点的少量测量有效地重建目标信号。与压缩随机接入(CRA)一起从节点收集测量,提出压缩传输请求以有效地向一组选定的节点发送请求信号。对压缩传输请求进行了误差分析,研究了误差对数据辅助感知性能的影响。仿真结果表明,数据辅助感知允许重建的目标信息与少量的活动节点,并对节点的决策错误的压缩传输请求是鲁棒的。
2019-04-29 cs.IT math.IT
Characterization of Coded Random Access with Compressive Sensing based Multi-User Detection
机器对机器(M2M)通信的出现需要新的介质访问控制(MAC)方案和物理(PHY)层概念来支持大量的访问请求。最近引入的编码随机接入的概念大大优于其他随机接入方法,并且固有地能够利用来自PHY层的捕获效应。此外,在物理层,基于压缩感知的多用户检测(CS-MUD)是一种新颖的技术,其利用多用户检测中的稀疏性来实现联合活动和数据检测。在本文中,我们结合编码的随机接入与CS-MUD的PHY层,并显示出非常有前途的结果所产生的协议。
2014-04-08 cs.IT math.IT
On Throughput of Compressive Random Access for One Short Message Delivery in IoT
在本文中,我们研究了压缩随机接入(CRA)与两个阶段的机器类型通信(MTC)在蜂窝物联网(IoT)。特别是,我们考虑了每个用户(物联网设备或传感器)在物联网应用中被激活以发送数据时只有一条短消息(长度相同)的情况。讨论了两种不同的基于CRA的随机接入方案(一种是传统的,另一种是基于简化的握手过程的新方案)。基于吞吐量分析,我们表明,基于CRA的随机接入方案,简化握手过程可以优于其有效载荷的长度是自适应地决定取决于活跃用户的数量。仿真结果表明,推导出的吞吐量表达式与它们一致,可以用于设计一个每个活动设备或传感器只有一条短消息的MTC随机接入系统。
2020-02-05 cs.IT math.IT
Compressive Random Access Using A Common Overloaded Control Channel
我们引入了一个“一杆”的随机接入过程中,用户可以发送一个消息,而无需事先与网络同步。在该过程中,使用公共过载控制信道来联合检测稀疏用户活动和稀疏信道简档。检测到的信息随后用于解调专用频率时隙中的数据。我们从理论上分析了系统,并提供了一个可实现的速率和标准的压缩感知估计的显式表达式和缩放定律之间的联系。最后,我们支持我们的研究结果与模拟LTE-A类设置允许“一枪”稀疏随机接入的100个用户在1毫秒。
2016-09-16 cs.IT math.IT
Compressive random access with multiple resource blocks and fast retrial
在本文中,我们提出了一种压缩随机接入(CRA)方案,使用多个资源块(RB),以支持机器类型通信(MTC)的大规模连接。提出的CRA方案是可扩展的。因此,如果设备的数量增加,则可以添加更多的RB来支持它们。由于多个RB,我们可以采用RB之间的快速重试来重传冲突的分组,这可以导致短的接入延迟。对于具有快速重试的稳定CRA,我们推导了条件(具有速率控制方案),并分析了稳态性能,以找到吞吐量和延迟。通过分析和仿真结果,我们可以看到,所提出的方案可以比传统的多信道ALOHA性能更好,并享受性能和复杂度之间的平衡在RB的数量。
2019-02-26 cs.IT math.IT
Compressive sensing by white random convolution
本文研究了一种不同的压缩感知框架,即与白噪声波形卷积,然后在固定(而不是随机选择)位置进行子采样。我们表明,它的可恢复性稀疏信号依赖于信号表示和傅立叶基之间的相干性(由mu表示)。特别地,在这样的基础上S稀疏的n维信号可以以超过1-delta的概率从随机卷积的任何固定的m~O(μ ^2 *S*log(n/delta)^(3/2))个输出样本中恢复。
2009-09-30 cs.IT math.IT math.OC
Compressive Massive Random Access for Massive Machine-Type Communications (mMTC)
在未来的无线网络中,大规模机器类型通信(mMTC)的一个基本挑战在于以低延迟可靠地支持大规模连接。在此背景下,本文提出了一种基于压缩感知(CS)的mMTC大规模随机接入方案,利用固有的零星业务,其中活动设备及其信道可以联合估计与低开销。具体地说,我们考虑在上行链路的大规模随机接入设备采用伪随机导频,这是在CS理论的框架下设计的。同时,在基站(BS)的大规模随机接入,可以制定为稀疏信号恢复问题,通过利用稀疏的性质,活跃的设备。此外,通过利用不同的接收天线和子载波之间的结构稀疏性,我们开发了一个分布式多测量矢量近似消息传递(DMMV-AMP)算法,以进一步提高性能。此外,所提出的DMMV-AMP算法的状态演化(SE)推导出预测的性能。仿真结果表明,该方案的优越性,表现出良好的紧密性与理论SE。
2018-09-12 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
New Analysis of Manifold Embeddings and Signal Recovery from Compressive Measurements
压缩感知(CS)利用了令人惊讶的事实,即稀疏信号中包含的信息可以保留在该信号的少量压缩,通常是随机的线性测量中。已经建立了强有力的理论保证,关于在随机测量算子下的稀疏信号族的嵌入,以及稀疏信号可以从噪声压缩测量中恢复的精度。在本文中,我们解决类似的问题,在不同的建模框架的上下文中。而不是稀疏模型,我们专注于广泛的类流形模型,这可能会出现在参数和非参数信号的家庭。利用经验过程理论中的工具,我们改进了先前关于低维流形在随机测量算子下的嵌入结果。我们还建立了确定性和概率的情况下,最佳的界限$\ell_2$流形为基础的信号恢复和参数估计从噪声压缩测量。与基于稀疏性的CS的类似结果一致,我们得出结论,在概率环境中可能有更强的界限。我们的工作支持越来越多的证据表明,基于流形的模型可以在压缩信号处理中以高精度使用。
2014-05-01 cs.IT math.IT
Blind Compressed Sensing Over a Structured Union of Subspaces
本文讨论了基于压缩测量的同时信号恢复和字典学习的问题。在假设未知信号来自少量不相交子空间的联合的情况下,利用多个传感矩阵联合分析多个信号。该问题例如在图像修补应用中是重要的,其中多个信号由取自整个图像的(不完整的)图像块构成。这项工作扩展了标准字典学习和块稀疏字典优化,通过考虑压缩测量,例如,数据不完整)。通过使用多个感知矩阵和放松对学习字典的一些限制,也推广了盲压缩感知的先前工作。利用矩阵完成的背景下开发的结果,它被证明是字典和信号可以恢复压缩测量的概率很高。解是唯一的,直到字典原子的块排列和可逆线性变换。的恢复是视情况而定的测量每个信号的数量和信号的数量足够大,这些数量的界限推导。此外,本文提出了一种计算上实用的算法,进行字典学习和信号恢复,并建立其收敛到局部最优的条件。图像修补的实验结果证明了该方法的有效性。
2011-03-12 cs.IT math.IT
Model-Based Calibration of Filter Imperfections in the Random Demodulator for Compressive Sensing
随机解调器是最近的压缩感测架构,提供稀疏带限信号的有效次奈奎斯特采样。压缩感测范例需要模拟前端的精确模型,以实现数字域中的正确信号重构。实际上,诸如滤波器的硬件设备由于组件变化而偏离其期望的设计行为。现有的重建算法是敏感的偏差,这属于更一般的类别的测量矩阵扰动。本文提出了一种基于模型的技术,旨在校准滤波器模型失配,以促进改善信号重建质量。失配被认为是离散化脉冲响应中的附加误差。我们通过对已知的校准信号进行采样来识别误差,从而实现脉冲响应误差的最小二乘估计。误差估计和已知的系统模型用于校准测量矩阵。数值分析表明,即使对于高度偏离的低通滤波器响应的校准方法的有效性。所提出的方法的性能进行了比较,最先进的方法的基础上离散傅立叶变换三角插值。
2013-03-25 cs.IT math.IT
Multi-sequence Spreading Random Access (MSRA) for Compressive Sensing-based Grant-free Communication
免授权随机接入(GF-RA)的性能受到可访问的随机接入资源(RR)的数量的限制,由于缺乏冲突解决方案。基于压缩感知(CS)的RA方案以增加发送信号之间的非正交性为代价来按比例增加RR。本文提出了多序列扩频随机接入(MSRA)的设计,它采用多个扩频序列对用户的不同符号进行扩频,而不是传统的用户对每个符号采用相同的扩频序列。我们表明,MSRA提供码分集,使多用户检测(MUD)建模成一个良好的条件多测量向量(MMV)CS问题。码的多样性量化的平均巴贝尔互相关的扩展序列之间的减少。此外,我们提出了一个两阶段的主动用户检测(AUD)计划的宽带和窄带的实现。我们的理论分析表明,MSRA活动误检指数下降,而GF-RA帧的大小增加。最后,模拟结果表明,大约82%的RR利用率增加,即,更多的活跃用户,支持MSRA比传统的方案,同时达到RA失败率下限设置的随机接入冲突。
2021-03-20 cs.IT math.IT
Quantized Compressive Sensing with RIP Matrices: The Benefit of Dithering
量化压缩感测(QCS)处理利用量化的有限精度表示对低复杂度信号的压缩测量进行编码的问题,即,这是任何实际传感模型中所涉及的强制过程。虽然这种量化的分辨率明显影响信号重构的质量,但实际上存在量化函数和感测矩阵的不兼容组合,当测量次数增加时,这些组合禁止任意低的重构误差。这项工作表明,一个大类的随机矩阵构造已知的尊重受限制的等距属性(RIP)是“兼容”与一个简单的标量和均匀的量化,如果一个均匀的随机向量,或随机抖动,被添加到量化之前的压缩信号测量。在估计低复杂度信号(例如,稀疏或可压缩信号,低秩矩阵),这种兼容性通过(至少)一种信号重构方法的存在来证明,即投影反投影(PBP),其重构误差随着测量次数的增加而衰减。有趣的是,给定一个RIP矩阵和抖动的单个实现,可以证明小的重构误差对于所考虑的低复杂度集合中的所有信号都是一致的。我们确认这些观察数值在几个场景中,涉及稀疏信号,低秩矩阵,可压缩信号,与各种RIP矩阵结构,如子高斯随机矩阵和随机部分离散余弦变换(DCT)矩阵。
2019-02-12 cs.IT math.IT
Compressive optical interferometry
压缩感知(CS)将数据采集与压缩编码相结合,以减少重建稀疏信号所需的测量次数。在光学中,这通常采取将场投影到从适当的随机系综中选择的随机空间图案序列上的形式。我们在这里表明,CS可以利用“本地”光学硬件,而无需引入额外的组件。具体来说,我们表明,随机次奈奎斯特采样的干涉图有助于重建场模态结构。与随机测量相对应的约简感知矩阵的分布可证明是非相干的和各向同性的,这有助于我们成功地实现CS。
2017-06-19 cs.IT math.IT physics.optics
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
Keep the phase! Signal recovery in phase-only compressive sensing
我们证明了一个稀疏的信号可以估计从复杂的随机测量的相位,在“相位压缩感知”(PO-CS)的情况下。如果感知矩阵是一个复高斯随机矩阵,并且与信号稀疏度相比,测量的数量很大,那么我们可以以高概率和高达全局未知幅度完美地恢复这样的信号。我们的方法包括在重铸(非线性)PO-CS计划作为一个线性压缩感知模型。我们从信号归一化约束和相位一致性约束构建它。在实际应用中,我们利用基追踪去噪程序实现了稳定且鲁棒的信号方向估计。在数字上,鲁棒的信号方向估计在压缩感测中的信号恢复所需的测量数量的大约两倍处达到。
2020-11-12 cs.IT math.IT
Restricted Isometry Property of Subspace Projection Matrix Under Random Compression
结构在信号处理领域起着重要的作用。低秩矩阵作为结构数据的代表,其约束等距性(RIP)一直是压缩信号处理中的重要研究课题。子空间投影矩阵是一种具有附加结构的低秩矩阵,它可以进一步降低其固有维数。这为改进其RIP留下了空间,可以作为压缩子空间投影矩阵恢复的基础。本文研究了子空间投影矩阵在随机正交压缩下的RIP问题。考虑到$\mathbb{R}^N$中的$s$维子空间的子空间投影矩阵构成$\mathbb{R}^{N\times N}$中的$s(N-s)$维子流形的事实,我们的主要关注点被转化为这类子流形到$\mathbb{R}^{N\times N}$中的稳定嵌入.结果表明,通过随机测量的$O(s(N-s)\log N)$次数,保证了子空间投影矩阵的RIP。
2015-02-08 cs.IT math.IT
On the Number of Iterations for Convergence of CoSaMP and Subspace Pursuit Algorithms
在压缩感知中,表征各种贪婪恢复算法的一个重要参数是迭代界,其提供保证算法收敛的最大迭代次数。在这封信中,我们提出了一个新的迭代约束CoSaMP的某些数学操作,包括制定适当的充分条件,确保通过一个选定的支持通过两个选择阶段的CoSaMP,增强和更新。随后,我们扩展到子空间追踪(SP)算法的治疗。CoSaMP和SP算法的建议的迭代界被认为是改进现有的同行,揭示了CoSaMP和SP算法收敛在更少的迭代比文献中的结果。
2016-11-23 cs.IT math.IT
Measurement Matrix Design for Compressive Detection with Secrecy Guarantees
在这封信中,我们考虑的问题,检测一个高维信号的基础上压缩测量与物理层保密保证。我们假设网络在存在窃听者的情况下运行,窃听者打算发现系统监视的自然状态。我们设计的测量矩阵,最大限度地提高网络的检测性能,同时保证一定程度的保密性。在$a)$信号已知、$b)$信号位于低维子空间和$c)$信号稀疏三种情况下,分别解决了测量矩阵的设计问题.它示出了系统的安全性能可以提高通过使用优化的测量矩阵以及人工噪声注入为基础的技术。
2015-05-31 cs.IT math.IT stat.AP
Taking the edge off quantization: projected back projection in dithered compressive sensing
量化压缩感测(QCS)处理用有限精度表示来表示压缩信号测量的问题,即,这是任何实际传感器设计中的强制过程。为了表征该框架中的信号重构质量,大多数现有的理论分析严重依赖于亚高斯随机投影的量化(例如,Gaussian或Bernoulli)。我们在这里表明,一个简单的均匀标量量化器是兼容的一大类随机传感矩阵已知的尊重,以高概率,限制等距属性(RIP)。重要的是,这种兼容性源于在量化之前向线性信号观测添加均匀随机向量或“抖动”。在这种情况下,我们证明了(至少)一种信号重建方法的存在,即,投影反投影(PBP),其重建误差随着量化测量的数量增加而衰减。这在稀疏信号和低秩矩阵的估计中具有很高的概率。我们验证数值预测的误差衰减的测量次数的增加。
2018-05-11 cs.IT math.IT
Greedy Signal Space Recovery Algorithm with Overcomplete Dictionaries in Compressive Sensing
压缩感知(CS)是一种新的模式,有效地获取信号,具有稀疏表示在某一领域。传统上,CS提供了许多方法用于在正交基上的信号恢复。然而,现代应用程序已经引发了相关方法的出现,信号不是稀疏的正交基,但在一些任意的,也许是高度过完备的,字典,特别是由于他们的潜力,以产生不同种类的稀疏表示的信号。为此,我们应用信号空间贪婪方法,它依赖于最佳地将信号投影到少量字典原子上的能力,以解决这种设置中的信号恢复问题。我们描述了一个广义的迭代恢复算法称为信号空间子空间追踪(SSSP),这个更具挑战性的设置。在这里,使用字典限制等距属性(D-RIP),而不是经典的RIP,我们推导出所需的测量次数的下限,然后提供算法的收敛性证明。该算法在有噪声和无噪声测量中具有低的计算复杂性,并提供高的恢复精度。仿真结果表明,该算法优于现有的恢复算法。
2019-05-07 cs.IT math.IT
Performance Bounds for Grouped Incoherent Measurements in Compressive Sensing
压缩感测(CS)允许以显著低于带限信号所需的奈奎斯特速率的采样率采集稀疏信号。CS的恢复保证通常基于随机独立选择测量投影的假设导出。然而,对于许多实际的信号采集应用,包括医学成像和遥感,这一假设是违反的,因为投影必须采取分组。在本文中,我们考虑这样的应用程序,并得出成功恢复信号时,随机采取的相关投影组所需的测量数量的要求。我们发现一个惩罚因子的数量所需的测量相对于标准的CS计划,采用传统的独立测量选择和评估的准确性,通过模拟预测的惩罚。
2014-10-20 cs.IT math.IT
Integrated Sensing and Communications for Unsourced Random Access: A Spectrum Sharing Compressive Sensing Approach
本文针对ISAC系统中的无源随机接入问题,提出基于频谱共享压缩感知的UNISAC方案,通过重叠通信与感知信号,实现比TDMA和ALOHA高20-30 dB的容量增益。
2025-04-24 cs.IT math.IT
Compressive Coded Random Access for Massive MTC Traffic in 5G Systems
大规模MTC支持是重要的未来细分市场,但在蜂窝系统中尚未得到有效支持。在本文中,我们跟进最近的概念相结合的先进的MAC协议与压缩感知(CS)为基础的多用户检测。具体来说,我们介绍了一个概念,稀疏的联合活动,信道和数据检测的编码ALOHA(FDMA)协议的背景下。我们认为,简单的稀疏活动和数据检测是不够的(许多论文都是这样做的),因为控制资源是按照数据的顺序排列的。此外,我们将提高这些协议的性能方面的减少所需的资源,用户活动,信道估计和数据检测。我们将相应地对系统进行数学分析,并提供底层稀疏多用户检测器的捕获概率的表达式。最后,我们将提供结构化的CS算法的联合估计方案,并评估其性能。
2017-06-29 cs.IT math.IT
Compressive Sensing over the Grassmann Manifold: a Unified Geometric Framework
$\ell_1$极小化常用于求解欠定线性系统的稀疏解。在本文中,我们专注于寻找尖锐的性能界限恢复近似稀疏信号使用$\ell_1$最小化,可能在噪声测量。虽然限制等距属性是强大的分析恢复近似稀疏的信号与噪声测量,已知的界限上可实现的稀疏性(本文中的“稀疏性”是指在一个信号向量的非零或重要元素的集合的大小)。水平可以相当宽松。对于理想稀疏信号,邻域多面体分析能给出精确的边界,但不能很容易地推广到近似稀疏信号。从线性子空间的“平衡性”这一充分必要条件出发,为达到一定的信号恢复精度,给出了一个统一的基于\emph{null space Grassmann angle}的几何框架,用于分析$\ell_1$最小化的性能.通过研究“平衡性”属性,这个统一的框架表征了所考虑的稀疏性和$\ell_{1}$优化的恢复精度之间的尖锐的定量权衡。因此,这推广了理想稀疏信号的相邻多面体结果。除了对\emph{all}稀疏信号的“强”意义下的鲁棒性外,我们还讨论了“弱”和“分段”鲁棒性的概念。我们的结果涉及线性子空间的基本性质,因此可能是独立的数学兴趣。
2010-05-20 cs.DM cs.IT math.IT
The importance of phase in complex compressive sensing
我们考虑的问题,估计一个真正的低复杂度的信号(如稀疏向量或低秩矩阵)从复杂的随机测量的相位。我们表明,在这种“纯相位压缩感知”(PO-CS)的情况下,我们可以完美地恢复这样的信号具有高概率和全球未知的幅度,如果传感矩阵是一个复杂的高斯随机矩阵,如果测量的数量是大的信号空间的复杂程度相比。我们的方法通过将(非线性)PO-CS方案重新铸造为从信号归一化约束和相位一致性约束建立的线性压缩感知模型来进行,该约束施加任何信号估计以匹配测量域中的观测相位。实际上,稳定和鲁棒的信号方向估计是从压缩感知文献的任何“实例最优”算法(例如基追踪去噪)实现的。这通过证明与该等效线性模型相关联的矩阵在上述测量次数的条件下以高概率满足受限等距性质来确保。最后,我们通过实验观察到,在压缩感知中,鲁棒的信号方向恢复是信号恢复所需的测量次数的两倍。
2020-01-16 cs.IT math.IT
Sparse IDMA: A Joint Graph-Based Coding Scheme for Unsourced Random Access
本文介绍了一种新的通信模式的无源,不协调的高斯多址接入问题。设想框架的主要组成部分如下。每个消息的编码位被分成两组。使用压缩感测方案来发送第一部分,而使用多用户编码方案来传送第二比特集合。压缩感测部分是回避问题的无源方面所带来的一些挑战的关键。压缩感知提供的信息被用来创建有助于联合解码的稀疏随机多址图。这种构造利用了从传统IDMA中吸取的经验教训,为无源设置及其固有的随机性创建低复杂度方案。在联合消息传递解码,该方案提供了现有的低复杂度的替代品相当的性能。数值模拟结果的支持。
2020-11-20 cs.IT math.IT
Robust Detection of Random Events with Spatially Correlated Data in Wireless Sensor Networks via Distributed Compressive Sensing
在本文中,我们利用压缩感知的理论,在密集的传感器网络中执行检测的随机源。当传感器密集部署时,相邻传感器的观测值高度相关,而与远距离传感器对应的观测值相关性较低。因此,在任何给定时间所有传感器的级联观测向量的协方差矩阵可以是稀疏的,其中稀疏结构取决于网络拓扑和相关模型。利用协方差矩阵的稀疏结构,我们开发了一个强大的非参数检测器来检测随机事件的存在,使用在分布式节点收集的数据的压缩版本。我们采用的多址接入信道(MAC)模型与分布式随机投影传感器传输观测,以便在融合中心的压缩版本的意见。通过基于使用压缩数据估计的未压缩数据的协方差信息构建判决统计来执行检测。该方法不需要噪声参数的任何知识来设置阈值,并且当分布的随机投影矩阵变得稀疏时也是鲁棒的。
2017-07-07 cs.IT math.IT stat.CO
Sparse Recovery of Fusion Frame Structured Signals
融合帧是提供信号空间的冗余表示的子空间的集合。他们通过用框架子空间代替框架向量来推广经典框架。本文考虑了从融合帧中稀疏恢复信号的问题。我们使用块稀疏模型的融合帧,然后表明,稀疏信号在此模型下可以压缩采样和重建的方式类似于标准的压缩感知(CS)。特别是,我们调用混合l1/l2范数最小化,以重建稀疏信号。在我们的工作中,我们表明,假设一定的不相干属性的子空间和先验知识,它允许我们提高恢复时,通常的块稀疏的情况下相比。
2018-04-05 cs.IT math.IT
Using Correlated Subset Structure for Compressive Sensing Recovery
Alcatel-Lucent(阿尔卡特朗讯)
本文提出一种利用感知矩阵列间相关子集结构的压缩感知恢复算法,并给出了算法原理和实验比较。
2013-06-10 cs.IT cs.NA math.IT
Extreme Compressive Sampling for Covariance Estimation
本文研究了仅使用每个向量的高度压缩的测量值来估计向量集合的协方差的问题。提出了一种基于这些压缩样本的反投影估计器,并进行了分析。无分布分析表明,通过观察每个向量的单个线性测量,可以在无穷大和谱范数下一致地估计协方差阵,并且这种相同的分析导致在两个范数下的精确收敛率。通过信息论技术,下界表明该估计是极小极大最优的无穷和谱范数估计问题。这些结果也专门提供匹配的上限和下限估计的人口协方差的高斯向量的集合,再次在压缩测量模型。在本文中进行的分析表明,该问题的有效样本的复杂性是由$m^2/d^2$的一个因素,其中$m$是压缩尺寸和$d$是环境尺寸缩放。应用子空间学习(主成分分析)和分布式传感器网络的学习也进行了讨论。
2019-01-15 cs.IT math.IT stat.ML
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
Fast Compressive Phase Retrieval from Fourier Measurements
本文考虑从傅立叶幅度测量中恢复$k$稀疏、$N$维复信号的问题。它提出了一种傅立叶光学设置,使得只要$M \gtrsim 4k\log_2(N/k)$随机傅立叶强度测量可用,就可以以非常高的概率恢复到全局相位因子。该算法由两个阶段组成:代数相位恢复阶段和压缩感知步骤。仿真结果表明,该算法适用于无噪声和噪声的情况。
2014-10-27 cs.IT math.IT
Compressive sampling with chaotic dynamical systems
研究了在压缩采样中利用不同混沌序列构造测量矩阵的可能性。特别是,我们考虑由蔡,洛伦兹和罗斯勒动力系统生成的序列,并调查使用它们中的每一个来构造测量矩阵时重建的准确性。Chua和Lorenz序列似乎适合于构造测量矩阵。我们比较了原始序列的恢复率与使用高斯,伯努利和均匀分布的随机测量矩阵。我们还研究了相关性对回收率的影响。看来相关性不会显著影响精确重建的概率。
2012-01-01 cs.IT math.IT
Sensing Matrix Design via Capacity Maximization for Block Compressive Sensing Applications
在压缩感知(CS)文献中已经很好地建立了其元素从独立的广义过程中提取的感知矩阵表现出增强的重构能力。在许多CS应用中,例如电磁成像,对测量系统的实际限制阻止以这种方式生成感测矩阵。虽然人们通常可以在一定程度上随机化的测量,这些传感矩阵不实现相同的重建性能作为真正随机化的传感矩阵。在本文中,我们提出了一种新的方法,基于容量最大化,设计传感矩阵增强块稀疏信号重建能力。通过几个数值例子,我们展示了我们的方法如何显着提高重建性能。
2018-03-22 cs.IT eess.SP math.IT
Random Triggering Based Sub-Nyquist Sampling System for Sparse Multiband Signal
提出了一种新的基于随机触发的调制宽带压缩采样(RT-MWCS)方法,以有效实现稀疏宽带信号的亚奈奎斯特速率压缩采样系统。在信号被重复(不一定是周期性)触发的假设下,RT-MWCS使用随机调制来获得在随机选择的位置处的信号的测量。该方法采用多测量向量法在频域估计信号的非零支持度。然后,利用最小二乘估计求解信号谱。通过使用之前在随机等效采样(RES)方案中使用的电平触发和时间数字转换器设备,促进了估计稀疏多频带信号的独特能力。与现有的压缩采样技术(如调制宽带转换器(MWC))相比,RT-MWCS具有系统结构简单、单通道实现、采样时间长等优点。实验结果表明,对于谱支持未知的稀疏多带信号,RT-MWCS要求的采样率远低于奈奎斯特采样率,同时又能提供良好的信号重构质量。
2017-03-06 cs.IT math.IT
Compressive Sampling with Known Spectral Energy Density
提出了一种提高A扫描步进频率连续波探地雷达(SteppedFrequencyContinuousWave-GroundPenetratingRadar,SFCW-GPR)信号压缩采样(CompressionSampling,CS)l1性能的方法。代替随机采样,所提出的方法选择样本的位置,以遵循频谱能量的分布。从三种不同的测量方法收集的样本;均匀采样,随机采样,和能量均分采样,被用来重建一个给定的单周期信号的频谱能量密度是已知的。客观的性能评估结果表明,随机采样的CS重建效果优于均匀采样,而能量均分采样的CS重建效果优于均匀采样和随机采样。这些结果表明,压缩SFCW(步进频率连续波)雷达可以实现类似的性能改善,甚至允许更高的捕获速度。
2013-11-04 cs.CE cs.IT math.FA
Improving Imprecise Compressive Sensing Models
压缩感知(CS)中的随机采样使得能够以有效的方式压缩大量输入信号,这对于许多应用是有用的。当输入数据可以用几个分量稀疏表示时,CS以压倒性的概率精确地重构压缩信号。然而,包括随机采样在内的CS框架理论一直专注于信号的精确恢复,而忽略了信号恢复中的不精确性。当稀疏分量的数量存在不确定性时,这可能是有问题的,例如动态系统中的信号稀疏度可能随时间而变化。我们提出了一个新的理论框架,从恢复成功和质量的角度处理信号恢复中的不确定性。我们表明,在我们的模型中的信号恢复成功比CS框架中的成功概率分析更准确。我们的模型,然后扩展到信号恢复的成功或失败的情况下,可以放松。我们代表的组件的数量包括在信号恢复与右尾分布,并专注于恢复质量。实验结果证实了我们的模型在动态系统中的准确性。
2016-03-20 cs.IT math.IT
Bayesian Compressive Sensing with Circulant Matrix for Spectrum Sensing in Cognitive Radio Networks
对于宽带频谱感知,压缩感知已经被提出作为加速高维信号感知和降低计算复杂度的解决方案。压缩感知包括从稀疏信号中获取必要的信息,并在接收机处基于有效的采样矩阵和重构技术来恢复它。为了处理不确定性,提高信号捕获性能,降低感知和重构过程中的随机性,压缩感知需要一个鲁棒的采样矩阵和高效的重构技术。在本文中,我们提出了一种方法,结合了循环矩阵与贝叶斯模型的优点。这种方法的实施,广泛的测试,其结果进行了比较的l1范数最小化与循环或随机矩阵的基础上的几个指标。这些指标是均方误差、重建误差、相关性、恢复时间、采样时间和处理时间。结果表明,我们的技术是更快,更有效。
2018-02-09 cs.IT eess.SP math.IT
Compressive Diffraction Tomography for Weakly Scattering
从著名的衍射层析成像(DT)存在一个吸引人的要求,从少数视图和有限的角度数据的成功重建。受压缩感知理论的启发,本文研究了弱散射点的高稀疏数据超分辨率精确重建问题。为了实现数据压缩测量,特别是在数据高度稀疏的情况下获得超分辨率重建,提出了一种利用随机介质包围探测障碍物的压缩系统,并进行了实验研究。(a)当所需分辨率在~范围内时,可以通过测量精确地获得K稀疏N未知数成像,这与压缩感知文献中高斯随机矩阵所需的测量次数相当。(b)由于引入了随机介质以增强波传播的多路径效应,因此得到的测量矩阵与小波矩阵不相干,换句话说,在小波框架下,当探测到的障碍物稀疏时,成功重建所需的测量数与上述相似。(c)如果期望的分辨率低于,则所提出的压缩系统所需的测量次数与自由空间的情况几乎相同。(d)还需要在成像分辨率和测量次数之间进行权衡。此外,通过引入复高斯变量,对快速稀疏贝叶斯算法进行了改进,使其能够处理稀疏约束的复值优化问题。
2009-04-17 cs.CE cs.IT math.IT
An Approach to 2D Signals Recovering in Compressive Sensing Context
本文在二维DFT域上研究了稀疏信号的压缩感知效应。提出了一种简单的随机欠采样数据重构算法。它基于分析确定的阈值,该阈值在2D DFT域中精确地分离信号和非信号分量。该算法在单次迭代中快速运行,提供准确的信号重建。在不包含解析推导和约束条件的情况下,该算法仍然是有效的,只需要几次迭代。所提出的解决方案在ISAR成像(使用模拟数据)中显示出有希望的结果,即使在小于10%的数据可用的情况下,也可以实现重建。
2015-11-14 cs.IT math.IT
Study of Anomaly Detection Based on Randomized Subspace Methods in IP Networks
在本文中,我们提出了新的随机子空间方法来检测异常的互联网协议网络。给定一个包含网络流量信息的数据矩阵,所提出的方法执行一个正常加异常矩阵分解的随机子空间技术的帮助下,随后检测异常子空间中的流量异常使用的统计测试。实验结果表明,与传统的基于主成分分析的子空间方法相比,该方法在对噪声的鲁棒性和检测率方面都有较大的提高。
2017-04-19 cs.IT math.IT
Multi-weight Nuclear Norm Minimization for Low-rank Matrix Recovery in Presence of Subspace Prior Information
加权核范数最小化最近被认为是一种技术,用于从压缩采样测量重构低秩矩阵时,矩阵的行列子空间的一些先验信息是可用的。在这项工作中,我们研究的恢复条件和相关的恢复保证加权核范数最小化时,允许多个权重。当可以访问与地面实况矩阵的列子空间和行子空间形成多个角度的先前子空间时,可以使用该设置。虽然在这一领域的现有作品使用一个单一的权重来惩罚所有的角度,我们提出了一个多权重的问题,旨在惩罚每个角度独立使用一个不同的权重。具体来说,我们证明了我们提出的多权重问题是稳定的和强大的条件下较弱的条件下的测量算子比类似的条件为单权重的情况下,标准的核范数最小化。此外,它提供了比现有技术方法更好的重建误差。我们用大量的数值实验来说明我们的结果,这些实验证明了在恢复过程中允许多个权重的优点。
2022-04-26 cs.IT math.IT
Compressive Statistical Learning with Random Feature Moments
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);GIPSA-lab(GIPSA实验室);Univ. Bordeaux(波尔多大学);Bordeaux INP(波尔多国立理工学院);Univ Lyon(里昂大学);ENS de Lyon(里昂高等师范学院);UCB Lyon 1(里昂第一大学);Univ Rennes(雷恩大学);IRISA(法国信息与随机系统研究所);University of Potsdam(波茨坦大学)
我们描述了一个通用的框架-压缩统计学习-用于资源有效的大规模学习:训练集合在一次通过中被压缩成低维草图(随机经验广义矩的向量),该草图捕获与所考虑的学习任务相关的信息。通过非线性最小二乘问题的解,从草图中计算出风险的近最小值。我们调查了足够的草图尺寸来控制这个过程的泛化误差。该框架是说明压缩PCA,压缩聚类,压缩高斯混合建模与固定的已知方差。后两个问题将在一份配套文件中进一步阐述。
2021-06-22 cs.IT cs.LG math.IT
Near-Optimal Signal Detector Based on Structured Compressive Sensing for Massive SM-MIMO
大规模空间调制(SM)-MIMO,它采用大规模的低成本天线,但在发射机的功率消耗很少的发射射频(RF)链,最近被提出为未来的绿色通信提供高频谱效率和能源效率。然而,在大规模SM-MIMO中,最佳最大似然(ML)检测器具有过高的复杂度,而用于常规小规模SM-MIMO的现有技术的低复杂度检测器遭受明显的性能损失。在本文中,通过利用多个SM信号的结构稀疏性,我们提出了一种低复杂度的信号检测器基于结构压缩感知(SCS),以提高信号检测性能。具体来说,我们首先提出了在发射机的分组传输方案,其中多个SM信号在几个连续的时隙被分组携带共同的空间星座符号,以引入所需的结构稀疏。因此,在接收器处提出结构化子空间追踪(SSP)算法以通过利用结构化稀疏性来联合检测多个SM信号。此外,我们还提出了SM信号交织置换SM信号在同一个传输组,从而可以利用信道分集,以进一步提高信号检测性能。理论分析量化了SM信号交织的性能增益,仿真结果表明所提出的方案的性能接近最优。
2016-04-23 cs.IT math.IT
Subspace Recovery from Structured Union of Subspaces
低维信号表示方案经常假设感兴趣的信号位于单个向量空间中。在最近开发的压缩感知(CS)理论的背景下,通常假设感兴趣的信号在正交基中是稀疏的。然而,在许多实际应用中,这一要求可能过于严格。标准稀疏性假设的推广是信号位于子空间的并集中。从少量的样品中恢复这样的信号最近已经在几个作品中进行了研究。在这里,我们考虑子空间恢复的问题,其中我们的目标是在存在噪声的情况下,使用少量的样本来识别信号所在的子空间(从并集)。更具体地说,我们推导出性能界限和条件下,可靠的子空间恢复保证使用最大似然(ML)估计。我们开始治疗一般工会,然后获得的特殊情况下,其中的子空间的结构导致块稀疏的结果。在我们的分析中,我们处理一般的抽样算子和随机抽样矩阵。与一般工会,我们表明,在某些条件下,通过ML的噪声存在下,可靠的子空间恢复所需的测量的数量是小于使用限制等距属性,保证信号恢复暗示。在块稀疏信号的特殊情况下,我们量化子空间恢复在标准稀疏度上可实现的增益。我们的研究结果也加强了现有的结果稀疏支持恢复在存在噪声的标准稀疏模型。
2014-03-17 cs.IT math.IT
Wireless Compressive Sensing Over Fading Channels with Distributed Sparse Random Projections
我们解决的问题,恢复稀疏信号的资源受限的无线传感器网络信道衰落下观察。稀疏随机矩阵被用来减少在转发信息到融合中心的通信成本。信道衰落的存在导致有效测量矩阵中的非均匀性和非高斯统计,该有效测量矩阵将在融合中心处收集的测量与正在观察的稀疏信号相关联。利用重尾随机矩阵的性质,分析了信道衰落对给定稀疏信号非均匀恢复的影响。我们量化的额外数量的测量,以确保可靠的信号恢复中存在的不相同的衰落信道相比,需要与相同的高斯信道。我们的分析提供了见解,如何控制传感器传输的概率在每个节点的基础上的信道衰落统计,以尽量减少在融合中心收集的测量可靠的稀疏信号恢复的数量。我们进一步讨论了恢复保证一个给定的稀疏信号与任何随机投影矩阵的元素是次指数与给定的次指数范数。数值结果证实了理论研究结果。
2015-04-15 cs.IT math.IT stat.AP
Compressive Phase Retrieval via Generalized Approximate Message Passing
在相位恢复中,目标是从线性测量值$\mathbf{Ax}\in\mathbb{C}^M$的幅度恢复信号$\mathbf{x}\in\mathbb{C}^N$。虽然最近的理论已经确立了$M\approx 4N$强度测量对于恢复通用$\mathbf{x}$是必要的并且是足够的,但是对于通过利用稀疏$\mathbf{x}$来减少测量的数量存在很大的兴趣,这被称为压缩相位恢复。在这项工作中,我们详细介绍了一种新的,概率方法压缩相位恢复的基础上广义近似消息传递(GAMP)算法。然后,我们提出了一个数值研究所提出的PR-GAMP算法,证明其优良的相变行为,鲁棒性噪声,和运行时间。我们的实验表明,大约$M\geq 2K\log_2(N/K)$强度测量足以恢复$K$稀疏Bernoulli-Gaussian信号的$\mathbf{A}$与i.i.d高斯条目和$K\ll N$。同时,当从32 k个随机掩蔽和模糊的傅立叶强度测量中恢复6 k稀疏的65 k像素灰度图像时,在30 dB测量SNR下,PR-GAMP在所有100次随机试验中均实现了不低于28 dB的输出SNR,中值运行时间仅为7.3 s。最近提出的CPRL,稀疏Fienup,和GESPAR算法相比,我们的实验表明,PR-GAMP具有优越的相变和数量级更快的运行时间的稀疏性和问题的维度增加。
2014-10-17 cs.IT math.IT
A System for Compressive Sensing Signal Reconstruction
提出了一种稀疏信号重构系统的硬件实现结构。基于阈值的重建方法被认为是本文进一步修改,以降低系统的复杂度,以提供更容易的硬件实现。代替使用部分随机傅立叶变换矩阵,最小化问题仅使用来自QR分解的三角形R矩阵重新表述。三角R矩阵可以在硬件中有效地实现,而无需计算正交Q矩阵。提出了一种灵活的、可扩展的矩阵R的实现,使得R的大小随可用样本的数量和稀疏度而变化。
2016-11-28 cs.IT math.IT
Threshold Effects in Parameter Estimation from Compressed Data
在本文中,我们研究了阈值效应与交换的信号和噪声子空间估计信号参数从压缩噪声数据。术语阈值效应是指当信噪比下降到阈值SNR以下时,均方误差与Cramer-Rao界限的急剧偏离。在许多情况下,阈值效应是由子空间交换事件引起的,此时测量数据(或其样本协方差)由正交子空间的分量的子集比由信号子空间的分量更好地近似。我们推导出分析下界压缩测量噪声数据的子空间交换的概率。这些界限指导我们的阈值效应和性能故障的参数估计使用压缩的理解。作为一个案例研究,我们研究的阈值效应的最大似然(ML)估计的两个近距离源的到达方向使用互质子采样。我们的研究结果显示了压缩对阈值SNR的影响。经验法则是,压缩比每增加一倍,阈值SNR就会增加3 dB。
2015-05-27 cs.IT math.IT
Statistical Learning Guarantees for Compressive Clustering and Compressive Mixture Modeling
Université Paris-Saclay(巴黎-萨克雷大学);CNRS(法国国家科学研究中心);Laboratoire de mathématiques d’Orsay(奥赛数学实验室);GIPSA-lab(GIPSA实验室);Univ. Bordeaux(波尔多大学);Bordeaux INP(波尔多国立理工学院);IMB(波尔多数学研究所);Univ Lyon(里昂大学);Inria(法国国家信息与自动化研究所);ENS de Lyon(里昂高等师范学校);UCB Lyon 1(里昂第一大学);LIP(里昂信息处理实验室);Univ Rennes(雷恩大学);IRISA(雷恩计算机科学研究所)
我们在压缩统计学习的背景下为两个无监督学习任务提供了统计学习保证,压缩统计学习是我们在一篇配套论文中介绍的资源高效的大规模学习的一般框架。压缩统计学习的原理是压缩一个训练集合,在一次通过中,转换成一个低维草图(一个随机经验广义矩的向量),它捕捉了与所考虑的学习任务相关的信息。我们明确地描述和分析随机特征函数,经验平均值保留了压缩聚类和压缩高斯混合建模所需的信息,具有固定的已知方差,并建立足够的草图大小给定的问题尺寸。
2021-08-17 cs.IT cs.LG math.IT
Enhanced Compressive Wideband Frequency Spectrum Sensing for Dynamic Spectrum Access
宽带频谱感知检测未使用的频谱空洞,用于动态频谱接入(DSA)。采样率过高是主要问题。压缩感知(CS)可以用比奈奎斯特采样少得多的随机样本以高概率重构稀疏信号。由于监测信号在频域上是稀疏的,压缩感知可以解决采样负担问题。随机样本可以通过模拟-信息转换器获得。信号恢复可以用公式表示为L0范数最小化和线性测量拟合约束。在DSA中,主无线电的静态频谱分配意味着不同类型的主无线电之间的界限是预先已知的。为了将这一先验信息,我们将整个频谱划分为子部分根据频谱分配政策。在新的优化模型中,每个子段的L2范数的最小化用于局部的聚类分布,而L2范数的L0范数的最小化用于全局的稀疏分布.由于L0/L2优化算法不是凸的,因此提出了一种迭代加权的L1/L2优化算法来逼近L0/L2优化算法,仿真结果表明该算法在精度、去噪能力等方面都优于其他算法。
2012-04-13 cs.IT math.IT
Identifying Outliers in Large Matrices via Randomized Adaptive Compressive Sampling
University of Minnesota – Twin Cities(明尼苏达大学双城分校)
本文探讨了在一个大的,否则低秩,矩阵定位离群列的问题。我们提出了一个简单的两步自适应传感和推理方法,并建立其性能的理论保证,我们的研究结果表明,准确的离群值识别是可以实现的,使用非常少的线性摘要的原始数据矩阵-作为低秩分量的平方秩加上离群值的数量,时间常数和对数因子。我们在两个程式化的应用程序,一个强大的协同过滤任务的动机,和其他显着图估计任务所产生的计算机视觉和自动监控实验证明了我们的方法的性能,并调查扩展设置的数据是嘈杂的,或可能不完整。
2014-11-19 cs.IT cs.LG math.IT