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
On Recovery Guarantees for One-Bit Compressed Sensing on Manifolds
本文研究了在流形模型下从一比特压缩感知测量中恢复信号的问题，即假设信号位于低本征维数流形上或附近。我们提供了一个凸恢复方法的基础上的几何多分辨率分析和证明恢复保证与接近最佳的缩放内在流形尺寸。我们的方法是第一个易于处理的算法，这种保证这种设置。数值实验证实了我们的方法的有效性的结果是补充。
2020-07-23 cs.IT math.IT
High Rate Communication over One-Bit Quantized Channels via Deep Learning and LDPC Codes
本文提出了一种将已知编码方案与自编码器相结合来设计纠错码的方法。具体来说，我们将LDPC码与一个训练有素的自编码器开发的纠错码的棘手的非线性信道。LDPC编码器缩小了自编码器的输入空间，使自编码器更容易学习。所提出的纠错码显示出有前途的结果为一位量化，一个具有挑战性的情况下，非线性信道。具体地，我们的设计给出了瀑布斜率比特出错率，即使对于诸如16-QAM和64-QAM之类的高阶调制格式，尽管是一比特量化。该增益在理论上是通过证明训练的自编码器向LDPC解码器提供近似高斯分布的数据来实现的，即使接收到的信号由于一比特量化而具有非高斯统计。
2020-02-28 cs.IT math.IT
Uplink Achievable Rate in One-bit Quantized Massive MIMO with Superimposed Pilots
在这项工作中，我们考虑一个1比特量化的大规模MIMO信道叠加导频（SP）计划，被称为QSP。利用线性最小均方误差（LMMSE）信道估计器和最大比合并（MRC）接收机在BS，我们得到了一个近似的可达速率的下限。当优化导频和数据功率时，在封闭形式的解中获得使数据率最大化的最优功率分配。虽然有量化和未量化的系统之间的性能差距，它示出，这种差距逐渐减小的BS天线的数量是渐近大。此外，我们表明，导频从接收信号中删除使用信道估计不会导致信息的显着增加，特别是在低信噪比（SNR）和大量用户的情况下。我们提出了一些数值结果来证实我们的分析结果和见解提供了进一步探索量子化系统的SP。
2018-04-25 cs.IT math.IT
Quantized Low-Rank Quantum State Tomography: Hyperbolic Quantization and Riemannian Least-Squares Recovery
University of Central Florida（中佛罗里达大学）；Michigan State University（密歇根州立大学）；Wuhan University（武汉大学）
该研究针对有限比特泡利批量响应的低秩量子态层析问题，提出HyperQuant量化器与QuantRGD方法，建立相关恢复保证与比特- shots权衡，通过实验验证其有效性。
2026-08-31 cs.IT math.IT quant-ph
Hamming Compressed Sensing
压缩感知（CS）和1比特CS不能直接恢复量化信号，并且需要耗时的恢复。在本文中，我们介绍了\textit{Hamming compressed sensing}（HCS），直接恢复一个k比特量化的信号的尺寸$n$从其1比特的测量，通过调用$n$倍的Kullback-Leibler散度为基础的最近邻搜索。与CS和1位CS相比，HCS允许信号是密集的，需要相当少的（线性）恢复时间，并且需要显著更少的测量（$\mathcal O(\log n)$）。此外，HCS恢复可以加速随后的1比特CS解量化器。研究了HCS在一般信号下的量化恢复误差界和稀疏信号下的“HCS+反量化器”恢复误差界。大量的数值模拟验证了吸引人的精度，鲁棒性，效率和一致性的HCS。
2011-10-10 cs.IT math.IT
Hybrid Precoder and Combiner Design with One-Bit Quantized Phase Shifters in mmWave MIMO Systems
模拟/数字混合预编码器和合路器由于其节能和经济的优势，在毫米波多输入多输出（MIMO）系统中得到了广泛应用。无限分辨率的移相器（PS）的模拟波束形成器可以实现非常接近的性能相比，全数字方案，但会导致高复杂性和密集的功耗。因此，在实际的毫米波MIMO系统中通常使用更具成本效益和能量效益的低分辨率PS。在本文中，我们考虑了毫米波MIMO系统中的联合混合预编码器和合并器的设计与一位量化PS。我们建议首先设计的模拟预编码器和合并器对每个数据流相继，旨在有条件地最大化频谱效率。本文提出了一种新的二进制模拟预编码器和合并器优化算法，该算法在含干扰等效信道的秩1近似下，具有低于二次复杂度的性能。然后，基于所获得的基带有效信道来计算数字预编码器和组合器，以进一步提高频谱效率。仿真结果表明，该算法优于现有的基于1比特PS的混合波束形成方案。
2017-04-26 cs.IT math.IT
Linear and Nonlinear MMSE Estimation in One-Bit Quantized Systems under a Gaussian Mixture Prior
本文针对一位量化系统中高斯混合先验信号，推导了Bussgang线性MMSE估计器和条件均值估计器的闭式表达式，证明最优估计器在一位量化观测下是线性的，并建立了新的MSE不等式，同时将分析扩展到多观测场景并给出渐近结果。
2024-07-01 cs.IT eess.SP math.IT
Joint Quantized Precoding and Bit Allocation for Fronthaul-Constrained Cell-Free Massive MIMO
Bilkent University（比尔肯特大学）
针对前传受限的无小区大规模MIMO下行链路，提出基于Bussgang分解的量化感知联合预编码与比特分配算法，在功率和比特约束下迭代优化，显著优于传统方案。
2026-09-23 cs.IT eess.SP math.IT
Variational Bayesian algorithm for quantized compressed sensing
压缩感知（Compressed Sensing，CS）是在稀疏先验下从高维信号的低维线性测量中恢复高维信号的算法，在实际应用中，测量数据的数字量化是不可避免的。在现有的文献中，量化误差通常被建模为加性噪声，并且使用不同的处理方法和程序分别处理多比特和1比特量化CS问题。本文提出了一种新的基于变分贝叶斯推理的压缩感知算法，它统一了多比特和1比特压缩感知处理，适用于无噪/有噪环境和量化器不饱和/饱和的各种情况。通过将量化误差与测量噪声解耦，量化误差被建模为随机变量并且与被恢复的信号联合估计。这种新的量化误差的表征结果在优越的性能的算法，这是证明了广泛的模拟与国家的最先进的方法相比，多位和1位CS问题。
2013-03-29 cs.IT math.IT
From Quasi-Isometric Embeddings to Finite-Volume Property: A Theoretical Framework for Quantized Matrix Completion
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出了一种理论框架，研究无记忆标量量化对矩阵补全的影响，分析了掺杂方案、符号翻转和预量化噪声对恢复性能的影响，并提供了理论保证。
2025-12-11 cs.IT math.IT
Quantum Approximate Optimization Algorithm for MIMO with Quantized b-bit Beamforming
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；University of Cyprus（塞浦路斯大学）
本文提出用QAOA和交替优化解决MIMO中b比特量化波束赋形这一NP难问题，首次建立相移到量子旋转门的理论联系，并引入暖启动提升效率，数值验证优于经典基准。
2025-10-07 cs.ET cs.IT math.IT
SLNR Based Precoding for One-Bit Quantized Massive MIMO in mmWave Communications
大规模多输入多输出（MIMO）是5G无线通信的关键技术，有望大幅提高容量。低分辨率数据转换器的使用对于大规模MIMO至关重要，以使整体传输尽可能具有成本效益和能源效益。在这项工作中，我们考虑了下行毫米波（mmWave）传输的情况下，多个用户同时服务的大规模MIMO与一位数/模（D/A）转换器。特别是，我们提出了一种新的预编码器设计的基础上的信号泄漏加噪声比（SLNR），最大限度地减少能量泄漏到不需要的用户，同时考虑到由于非线性一位量化的损害。我们表明，众所周知的正则化迫零（RZF）预编码器是一个特定版本的建议SLNR为基础的预编码器，这是当量化损伤完全忽略。数值结果强调显着的性能改善，以及所提出的SLNR为基础的预编码器相比，无论是RZF或迫零（ZF）预编码器。
2019-02-12 cs.IT math.IT
Robust Learning-Based ML Detection for Massive MIMO Systems with One-Bit Quantized Signals
在本文中，我们研究了基于学习的最大似然（ML）检测的上行链路大规模多输入多输出（MIMO）系统与一位模数转换器（ADC）。为了克服基于学习的检测对训练长度的显著依赖性，我们提出了两种一位ML检测方法：偏置学习方法和抖动学习方法。偏置学习方法保持具有零概率的似然函数不通过学习消除所获得的信息，从而提供更鲁棒的检测性能。将有偏方法扩展到具有接收信噪比的知识的系统，抖动和学习方法通过将抖动噪声添加到量化器输入来估计更多的似然函数。通过采用后似然函数更新，利用正确解码的数据符号作为训练导频符号，进一步改进了所提出的方法。所提出的方法避免了对信道估计的需要。仿真结果验证了所提方法在符号出错率方面的检测性能。
2019-08-26 cs.IT math.IT
Capacity Analysis of One-Bit Quantized MIMO Systems with Transmitter Channel State Information
随着新兴无线系统中带宽达到千兆赫量级，高分辨率模数转换器（ADC）成为功耗瓶颈。一种解决方案是采用低分辨率1位ADC。在本文中，我们分析了平坦衰落多输入多输出（MIMO）信道与一位ADC。假设信道状态信息在发射机和接收机处都是已知的。对于多输入单输出信道，我们推导了精确的信道容量。对于单输入多输出MIMO信道，得到了无限信噪比下的容量，并给出了有限信噪比下的容量上界，当信道满秩时，该上界是紧的。此外，我们提出了一种有效的方法来设计输入符号以接近容量实现解决方案。我们将毫米波信道特性，并找到无限的SNR容量的界限。结果显示了路径的数量和接收天线的数量如何影响容量。
2015-11-06 cs.IT math.IT
Analysis of One-Bit Quantized Linear Precoding Schemes in Multi-Cell Massive MIMO Downlink
本研究分析多小区一比特大规模MIMO下行链路中MRT和ZF预编码的性能，通过Bussgang分解推导SQINR和可达速率，发现一比特量化降低SQINR，且对传统系统影响更大，并探讨了功率和能量效率。
2023-12-23 cs.IT math.IT
HISTORY: An Efficient and Robust Algorithm for Noisy 1-bit Compressed Sensing
我们考虑从1位测量的稀疏信号恢复的问题。由于采集和传输过程中存在的噪声，一些量化的比特可能会翻转到它们的相反状态。这些符号翻转可能导致严重的性能下降。在这项研究中，提出了一种新的算法，称为历史。它包括汉明支撑检测和系数恢复。HISTORY算法具有较高的恢复精度，并且对强测量噪声具有鲁棒性。数值结果证明了该算法的有效性和优越性。
2016-08-12 cs.IT math.IT
Quasi-Newton FDE in One-Bit Pseudo-Randomly Quantized Massive MIMO-OFDM Systems
针对一位伪随机量化大规模MIMO-OFDM系统，提出基于牛顿法的低复杂度准牛顿频域均衡方案，以减轻量化失真并支持高阶调制，性能优于基准检测器。
2023-12-23 cs.IT eess.SP math.IT
Adaptive Learning-Based Detection for One-Bit Quantized Massive MIMO Systems
我们提出了一个自适应学习为基础的框架，上行链路大规模多输入多输出（MIMO）系统与一位模数转换器。基于学习的检测不需要估计信道，这克服了一比特量化系统的一个关键缺点。在训练过程中，基于学习的检测在高信噪比（SNR）下会受到影响，因为观测值会偏向+1或-1，这导致许多零值经验似然函数。在低SNR下，观测值经常变化，但高噪声功率使捕获信道的影响变得困难。为了解决这些缺点，我们提出了一种自适应抖动和学习方法。在训练期间，接收值与抖动噪声混合，抖动噪声的统计数据对于基站是已知的，并且抖动噪声功率对于每个天线元件根据观察到的输出模式来更新。然后，我们在一位最大似然检测规则中使用细化的概率。仿真结果验证了所提出的方法与我们以前的方法使用固定的抖动噪声功率以及迫零和最佳ML检测，这两个假设完美的信道知识的检测性能。
2022-11-13 cs.IT eess.SP math.IT
1-Bit Compressive Sensing: Reformulation and RRSP-Based Sign Recovery Theory
最近，在稀疏信号恢复领域中已经研究了1比特压缩感知（1比特CS）。由于在1比特CS中稀疏信号的幅度信息是不可用的，因此通常可以用解码方法精确地恢复信号的支持或符号。在本文中，我们首先表明，一个必要的假设（在文献中被忽视），应作出一些现有的理论和讨论1位CS。在没有这样的假设的情况下，通过一些现有解码算法找到的解决方案可能与1比特测量不一致。这促使我们追求一个新的方向，发展统一和非统一的恢复理论1位CS与新的解码方法，总是产生一个解决方案与1位测量一致。我们专注于一个极端的情况下，1位CS，其中的测量捕获的传感矩阵和信号的产品的符号。我们表明，1位CS模型可以等效地重新制定为一个$\ell_0$最小化问题的线性约束。这种重新制定自然会导致一个新的线性程序为基础的解码方法，称为1位基追求，这是显着不同的现有配方。结果表明，1位基追踪的解的唯一性条件产生了转置传感矩阵的所谓的限制范围空间性质（RRSP）。这个概念提供了一个基础，通过1位测量稀疏信号的符号恢复条件。我们证明了，如果一个稀疏信号的符号可以从1位的测量与1位的基追踪准确地恢复，那么感测矩阵必须承认一定的RRSP，如果感测矩阵承认一个稍微增强的RRSP，那么一个$k$ -稀疏信号的符号可以准确地恢复与1位的基追踪。
2015-07-22 cs.IT math.IT math.OC
Uniform Recovery Guarantees for Quantized Corrupted Sensing Using Structured or Generative Priors
本文针对量化损坏感知问题，利用抖动均匀量化器和亚高斯感知矩阵，为结构化先验和生成先验下的Lasso恢复建立了统一保证，并改进了量化乘积嵌入性质及误差衰减率。
2024-01-16 cs.IT eess.SP 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
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
Near-Field Localization with $1$-bit Quantized Hybrid A/D Reception
针对配备超大DMA和1比特ADC的混合A/D接收机近场UE定位问题，提出通过扫描模拟合并配置并定位伪谱峰值实现三维位置估计的方法。
2024-01-22 cs.ET cs.IT math.IT
Bit Density Based Signal and Jamming Detection in 1-Bit Quantized MIMO Systems
本文研究了缺席判决问题（即，无效假设，$\mathcal{H}_0$）或存在（即，备选假设，$\mathcal{H}_1$），该备选假设是在多输入多输出（MIMO）接收机中嵌入在接收信号中的未知信号。我们的解决方案的独创性在于量化接收到的信号由一个自适应的1位窗口比较器，而不是传统的1位量化器。这使我们能够将观察到的二进制序列的空间分成两个典型的集合（w.r.t.序列中1的数目的分布），其中第一组对应于$\mathcal{H}_0$，第二组对应于$\mathcal{H}_1$。因此，我们减少了检测问题，以确定一个观察到的序列的高度可能的设置。因此，提出了一种非常低复杂度的二元假设检测器，并给出了其检测概率。为了显示所提出的1位接收器结构的高效率，我们考虑两个无线应用;在大规模MIMO系统中的干扰检测，以及在无线传感器网络（WSN）中探测非平稳低功率发射器，假设未知的瑞利衰落信道。与采用卡方检验的未量化系统相比，它示出了在大规模MIMO中的性能损失可以大致与$10\%$一样大，并且该差距随着序列长度或/和干扰功率的增加而减小。对于无线传感器网络，我们表明，与未量化的系统相比，性能差距变得更小时，观察间隔扩展到几个符号。
2021-09-06 cs.IT math.IT
Uplink Data Detection Analysis of 1-Bit Quantized Massive MIMO
本文提出了一种分析框架，在大规模多输入多输出上行链路系统中的数据检测与1位模数转换器（ADC）。考虑到单用户的情况下，我们提供了封闭形式的表达式的期望值和方差的估计符号时，采用最大比合并在基站（BS）随着其渐近行为在高信噪比（SNR）。这些结果被利用，以提高最大似然检测的性能，考虑到分散的估计符号的期望值。相对于BS天线的数量、SNR和用于信道估计的导频长度来评估具有1比特ADC的符号出错率。所提出的分析突出了一个基本的SNR权衡，根据该权衡，在正确的SNR下操作可以大大提高数据检测精度。
2021-07-26 cs.IT eess.SP math.IT
Doubly 1-Bit Quantized Massive MIMO
本文研究发射端和接收端均采用1比特DAC/ADC的全数字大规模MIMO系统，基于Bussgang分解推导MSE近似，证明超大天线阵列下该系统仍具有优异性能。
2023-12-04 cs.IT eess.SP math.IT
Quantized Corrupted Sensing with Random Dithering
受损传感涉及从被未知结构化损坏和非结构化噪声污染的测量集合中恢复高维结构化信号的问题。在线性测量的情况下，不同凸规划过程（例如，广义Lasso及其变体）在文献中得到了很好的建立。然而，在数字信号处理的实际应用中，量化过程是不可避免的，这往往会导致非线性测量。本文主要研究量化测量下的污染感知问题。具体来说，我们证明，在均匀抖动的帮助下，约束和无约束的Lassos都能够恢复信号和腐败的量化样本时，测量矩阵是亚高斯。我们的理论结果揭示了量子化分辨率在Lassos恢复性能中的作用。数值实验证实了我们的理论结果。
2021-03-24 cs.IT math.IT
ADMM-Based One-Bit Quantized Signal Detection for Massive MIMO Systems with Hardware Impairments
本文研究了大规模多输入多输出（MIMO）系统中的信号检测问题，该系统具有一般的加性硬件损伤和一比特量化。首先，我们通过将它们概括为所考虑的硬件损伤模型来呈现量化未知和基于Bussgang分解的线性接收机。我们提出了一个优化问题来估计上行链路数据信号，通过选择一个合适的代价函数，处理在基站的未量化的接收信号作为变量。我们利用额外的结构的一位量化和信号调制，包括适当的约束。针对非凸二次约束二次规划问题，提出了一种基于ADMM的封闭更新方程算法。然后，我们将更新中的粗糙投影仪替换为它们的软版本，以提高检测性能。我们表明，建议的ADMM为基础的算法优于国家的最先进的线性接收机显着的误比特率（BER）和性能增益增加的天线和用户的数量。
2020-02-05 cs.IT eess.SP math.IT
Quantized Spectral Compressed Sensing: Cramer-Rao Bounds and Recovery Algorithms
宽带频谱的有效估计对于认知无线电等应用具有重要意义。最近，已经提出了基于压缩感知的亚奈奎斯特采样方案，以大大降低采样率。然而，量化的重要问题尚未得到充分解决，特别是对于高分辨率的频谱和参数估计。在本文中，我们的目标是恢复频谱稀疏信号和相应的参数，如频率和幅度，从沉重的量化的噪声复值随机线性测量，例如只有象限信息。我们首先描述了高斯噪声下的Cramer-Rao界，它突出了在固定比特预算的情况下，不同信噪比下样本复杂度和比特深度之间的权衡。接下来，我们提出了一种新的算法的基础上原子范数软阈值信号恢复，这是相当于适当设计的替代信号的原子范数，激励频谱稀疏的近端映射。该算法既适用于单测量矢量的情况，也适用于多测量矢量的情况。结果表明，在高斯测量模型下，当量化测量数超过K log n阶时，谱信号可以以高概率精确重构，其中K为谱稀疏度，$n$为信号维数.最后，数值模拟提供了验证所提出的方法。
2018-04-06 cs.IT eess.SP math.IT
On the Mean Square Error Optimal Estimator in One-Bit Quantized Systems
本文研究了单比特量化系统中均方误差最优条件均值估计器，分析了其与Bussgang估计器的关系，提出最优导频序列并推导了MSE的闭式表达式及渐近极限。
2023-04-27 cs.IT eess.SP math.IT
Quantized Precoding and RIS-Assisted Modulation for Integrated Sensing and Communications Systems
在本文中，我们提出了一种新的可重构智能表面（RIS）辅助通感一体化（ISAC）系统与1位量化在ISAC基站。在ISAC系统中引入RIS，以减轻粗量化的影响，并实现感测和通信功能之间的共存。具体来说，我们设计发射预编码器以获得具有所需辐射图案的1位感测波形。然后，RIS相移被设计为调制1比特感测波形以向用户发送M进制相移键控符号。通过数值模拟，我们表明，所提出的方法提供了显着改善的符号错误概率相比，MIMO通信系统具有量化的线性预编码器，同时仍然提供可比的传感性能作为未量化的传感系统。
2022-11-03 cs.IT eess.SP math.IT
Distributed Coding of Quantized Random Projections
在本文中，我们提出了一个新的框架分布式信源编码的结构化源，如稀疏信号。我们的框架利用了最新进展的线性逆问题和信号表示使用非相干投影的理论。我们的方法获取和量化的信号，这是表示为单独的位平面的非相干线性测量。使用适当速率的分布式源代码对每个位平面进行编码并发送。解码器从最低有效双平面开始，并且使用信号的预测作为边信息，基于源预测和信号迭代地恢复每个位平面，假设所有先前的较低有效位平面已经被恢复。我们提供的理论结果指导率的选择，只依赖于源的最小二乘预测误差。这与依赖于难以估计的信息理论度量来设置速率的现有方法形成对比。我们验证我们的方法使用模拟遥感多光谱图像，比较它们与现有的方法类似的复杂性。
2020-10-06 cs.IT math.IT
One-Bit Quantization Design and Adaptive Methods for Compressed Sensing
已经有许多关于从一位量化测量恢复稀疏信号的研究。然而，很少有人注意到量化阈值的选择及其对信号恢复性能的影响。本文探讨了一位量化器的稀疏信号恢复设计的问题。我们的分析表明，以往困扰传统的一位压缩感知方法的幅度模糊性可以得到解决，并且可以通过设置量化阈值足够接近原始数据样本而无需量化来实现任意小的重建误差。注意，未量化的数据样本实际上是不可访问的。为了克服这个困难，我们提出了一种自适应量化方法，自适应地调整量化阈值的方式，使阈值收敛到最佳阈值。数值实验结果表明了本文的理论结果和算法的有效性.
2013-05-18 cs.IT math.IT
Learning Physical-Layer Communication with Quantized Feedback
数据驱动的发射机和接收机优化可以揭示新的调制和检测方案，并实现未知信道上的物理层通信。先前的工作已经表明，这种方法的实际实现需要从接收器到发射器的反馈信号。在本文中，我们研究了量化反馈对物理层通信的数据驱动学习的影响。提出了一种新的量化方法，该方法利用了反馈信号的特殊性质，适用于非平稳信号分布。线性和非线性通道的方法进行评估。仿真结果表明，反馈量化不会明显影响学习过程，可以导致良好的性能，即使与$1$比特量化。此外，它表明，学习是令人惊讶的鲁棒性噪声反馈随机位翻转应用于量化位。
2019-11-04 cs.IT eess.SP math.IT
Bayesian De-quantization and Data Compression for Low-Energy Physiological Signal Telemonitoring
我们解决的问题，应用量化压缩感知（CS）的低能耗远程监护。到目前为止，很少有工作研究这个问题的应用中，信号只是近似稀疏。我们提出了一个两阶段的数据压缩器的基础上量化CS，其中信号压缩压缩感知，然后压缩测量量化与每个测量只有2位。这种压缩器可以大大减少传输比特预算。为了从欠定的量化测量中恢复信号，我们开发了贝叶斯去量化算法。该方法可以利用量化误差模型和生理信号的相关结构来提高恢复质量。建议的数据压缩器和恢复算法进行了验证，在快速运行的12个主题的数据集上记录。实验结果表明，采用压缩比为50%的压缩感知和2位量化器相结合的方法，平均估计误差为2.596次/分钟（BPM）。结果表明，我们可以有效地传输n比特，而不是n个样本，这是一个实质性的改进，为低能耗的无线远程监护。
2015-06-06 cs.IT math.IT
Superset Technique for Approximate Recovery in One-Bit Compressed Sensing
一位压缩感知（1bCS）是一种在极端测量量化下的信号采集方法，它对信号压缩和模数转换的限制提供了重要的见解。该设置也等同于学习稀疏超平面分类器的问题。在本文中，我们提出了一种新的方法，在非自适应1bCS的信号恢复，匹配的样本复杂度，目前最好的方法。我们构造了1bCS矩阵，这些矩阵是通用的-即适用于模型下的所有信号-并且同时以高概率恢复非常一般的随机稀疏信号。在我们的方法中，我们将样本集（测量值）分为两部分，并使用第一部分来恢复稀疏向量的支持超集。然后，第二组测量值用于近似超集内的信号。虽然支持恢复在1bCS是很好的研究，支持的超集的恢复需要更少的样本，并且据我们所知，以前没有被认为是近似恢复信号的目的。
2021-05-10 cs.DS cs.IT math.IT
Recovery Guarantees for Posterior Sampling of One-Bit Compressed Sensing
University of Electronic Science and Technology of China（电子科技大学）
该研究针对带先验的噪声1比特压缩感知，证明后验采样的恢复上界与下界几乎匹配，通过带扩散先验的即插即用算法实现后验采样，在FFHQ、ImageNet数据集上验证了方法有效性。
2026-10-14 cs.IT cs.LG math.IT
Improved Support Recovery in Universal One-bit Compressed Sensing
University of California San Diego（加州大学圣迭戈分校）；Google Research, India（谷歌印度研究院）
一比特压缩感知（1bCS）是一种非常量化的信号采集方法，在过去的十年中被提出并得到了严格的研究。在1bCS中，高维信号的线性样本被量化为每个样本仅一位（测量的符号）。假设原始信号向量是稀疏的，现有的结果在1bCS要么旨在找到支持的向量，或近似的信号允许一个小的误差。本文的重点是支持恢复，这往往也有利于计算近似信号恢复。1bCS的{ \em universal}测量矩阵是指对所有稀疏信号都有效的一组测量。在通用性方面，已知$\tildeΘ(k^2)$ 1bCS测量对于支持恢复是必要的且足够的（其中$k$表示稀疏性）。为了提高从二次到线性稀疏的依赖，在这项工作中，我们提出了近似支持恢复（允许$ε>0$比例的错误），和超集恢复（允许$ε$比例的误报）。我们表明，第一种类型的恢复是可能的$\tilde{O}(k/ε)$测量，而后一种类型的恢复，更具挑战性，是可能的$\tilde{O}(\max\{k/ε,k^{3/2}\})$测量。我们还表明，在这两种情况下，$Ω(k/ε)$测量将是必要的普遍恢复。改进的结果是可能的，如果我们考虑在有限的一类信号，如有理信号，或有界动态范围的信号的通用恢复。在这两种情况下，超集恢复都可以仅通过$\tilde{O}(k/ε)$测量来实现。本文还提供了其他结果的普遍，但近似的支持恢复。我们所有的主要恢复算法都是简单的多项式时间。
2022-10-29 cs.DM cs.IT cs.LG
One-Bit Sensing of Low-Rank and Bisparse Matrices
本文研究了低秩与双稀疏矩阵在one-bit sensing下的最坏情况恢复误差，通过consistency width概念给出理论衰减估计，并提出了在factorized Gaussian sensing schemes下可实现恢复误差按最优速率六次方根衰减的算法。
2019-01-19 cs.IT cs.NA math.IT
Linear Regression from 1-bit Quantized Data
George Mason University（乔治梅森大学）；University of Virginia（弗吉尼亚大学）
研究在数据丰富但存储和传输资源有限的环境下，基于1位抖动量化预测变量、其平方和响应的线性回归问题，提出基于二次规划的插件估计器，并分析其非渐近误差界和渐近分布。
2026-03-30 cs.IT math.IT math.ST
Quantized Compressed Sensing by Rectified Linear Units
本文研究了从少量的量化测量中恢复属于低复杂度凸集的高维信号$\mathbf{x} \in \mathbb{R}^n$的问题。我们建议通过一个凸规划的基础上整流线性单元（ReLU）的两种不同的量化方案，即一位和均匀多位量化的信号估计。假设线性测量过程可以通过具有i.i.d.亚高斯行，我们获得两个方案的近最佳的均匀重建保证，通过添加精心设计的噪声的线性测量之前的量化步骤。在一位的情况下，我们表明，该计划是强大的对抗位腐败以及线性测量的加性噪声。此外，我们的分析精确地量化了程序的率失真关系如何变化，这取决于我们是否寻求高于或低于本底噪声的重建精度。证明依赖于最近的结果Dirksen和Mendelson的非高斯超平面镶嵌。最后，我们补充我们的理论分析与数值实验比较，我们的方法与其他国家的最先进的方法。
2021-03-26 cs.IT math.IT math.PR
Statistical mechanics approach to 1-bit compressed sensing
压缩感知是一种利用信号稀疏性的先验知识从低维数据中恢复高维信号的技术，低维数据的分量表示关于信号的部分信息。为了进一步减小压缩表达式的数据大小，最近提出了仅利用线性变换向量的每个条目的符号来恢复原始信号的方案。这种方法通常被称为1位压缩感知。在这里，我们分析了典型的性能的L1范数为基础的信号恢复方案的1位压缩感知使用统计力学方法。我们表明，信号恢复性能预测的副本对称的副本下，原来是局部不稳定的模式，打破副本对称的副本方法，是在一个很好的一致性与实验结果的近似恢复算法早期开发。这表明基于L1的恢复问题通常具有许多具有相似恢复精度的局部最优解，这可以通过近似算法来实现。我们还开发了另一种近似恢复算法的启发腔方法。数值实验表明，当原始信号中非零项密度较大时，新算法比上述方案具有更好的性能，且计算量更小。
2014-02-15 cond-mat.dis-nn cs.IT math.IT
Support Recovery in Universal One-bit Compressed Sensing
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
一位压缩感知（1bCS）是一种极值量化信号捕获方法，在过去的十年中已经间歇性地研究。在1bCS中，高维信号的线性样本被量化为每个样本仅一位（测量的符号）。极端量化使其成为更一般的单指标或广义线性模型的一个有趣的案例研究。同时，它也可以被认为是学习二进制线性分类器或半空间学习的“设计”版本。假设原始信号向量是稀疏的，1bCS中的现有结果旨在找到向量的支持，或者近似$ε$球内的信号。本文的重点是支持恢复，这往往也有利于计算近似信号恢复。用于1bCS的\emph{universal}测量矩阵是指对\emph{for all}稀疏信号起作用的一组测量。在通用性方面，已知$\tildeΘ(k^2)$ 1bCS测量对于支持恢复是必要且充分的（其中$k$表示稀疏性）。在这项工作中，我们表明，它是可以普遍恢复的支持与少量的假阳性与$\tilde{O}(k^{3/2})$测量。如果信号矢量的动态范围是已知的，则利用不同的技术，可以将该结果改进为仅$\tilde{O}(k)$测量。本文还提供了其他结果的普遍，但近似的支持恢复。我们所有的主要恢复算法都是简单的多项式时间。
2021-09-13 cs.DM cs.IT cs.LG
Green One-Bit Quantized Precoding in Cell-Free Massive MIMO
本文针对无蜂窝大规模MIMO系统的高功耗问题，提出一种基于符号向量结构动态停用天线的绿色一位量化预编码算法，在降低功耗的同时性能优于SQUID和RZF等现有方法。
2025-09-20 cs.IT eess.SP math.IT
On Optimal MMSE Channel Estimation for One-Bit Quantized MIMO Systems
本文针对单比特量化MIMO系统，提出基于正交概率计算MMSE信道估计器的新框架，并给出BLMMSE估计器最优的充要条件，推导大维度下的解析表达式以比较两者性能。
2025-01-22 cs.IT eess.SP math.IT
Quantization and Greed are Good: One bit Phase Retrieval, Robustness and Greedy Refinements
本文研究了鲁棒相位恢复问题。我们研究了一种新的方法的基础上非常量化（一位）的无相测量和相应的恢复计划。所提出的方法具有令人惊讶的鲁棒性和稳定性，并且与当前可用的方法不同，允许从受严重（可能未知）非线性扰动（诸如失真（例如，削波））影响的测量有效地执行相位恢复。除了鲁棒性，我们展示了我们的方法如何可以在基于交替最小化的贪婪方法中使用。特别是，我们提出了新的初始化方案的交替最小化实现良好的收敛性能，提高样本的复杂性。
2013-12-09 cs.IT math.IT math.ST
One-Bit Compressive Sensing with Partial Support
Claremont McKenna College（克莱蒙特麦肯纳学院）
本文探讨如何在一位压缩感知中利用部分支持信息提升信号恢复性能，通过实验验证了新方法在不同精度先验信息下的有效性，首次提出了高效利用先验信息的恢复机制。
2015-06-02 cs.IT cs.NA math.IT
Quantizing Heavy-tailed Data in Statistical Estimation: (Near) Minimax Rates, Covariate Quantization, and Uniform Recovery
本文提出截断与抖动预处理结合均匀量化的方案，证明在协方差估计、压缩感知和矩阵补全中可实现近极小极大误差速率，并针对协变量量化下的非凸恢复及重尾噪声建立近最优一致恢复保证。
2023-07-26 cs.IT math.IT math.ST
Support Recovery in One-bit Compressed Sensing with Near-Optimal Measurements and Sublinear Time
Halıcıoğlu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校哈利奥格鲁数据科学研究所）
本文提出了一种一比特压缩感知方案，实现亚线性解码复杂度的同时保持近最优测量性能，解决了支持恢复问题中的精确与近似恢复挑战。
2026-08-28 cs.DM cs.DS cs.IT
Is Phase Shift Keying Optimal for Channels with Phase-Quantized Output?
本文建立了相位量化输出加性高斯白噪声（AWGN）信道的容量。我们表明，旋转的$2^b$相移键控方案是容量实现的输入分布与$b$位相位量化的复杂AWGN信道。然后使用该结果来建立作为平均功率约束$P$和量化比特$b$的函数的信道容量的表达式。在瑞利衰落的情况下，当信道状态信息（CSI）仅在接收端已知时，研究了相位量化系统的中断性能。我们的研究结果表明，存在一个阈值的速率$R$，超过该中断指数的中断概率突然改变。事实上，中断指数中的这种阈值效应导致$2^b$ -PSK在高SNR下具有次优中断性能。
2021-05-05 cs.IT eess.SP math.IT
One-Bit Compressive Sensing: Can We Go Deep and Blind?
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
一位压缩感知涉及从其一位噪声测量中精确恢复感兴趣的潜在稀疏信号。传统的信号恢复方法主要是基于传感矩阵的精确知识的假设。然而，在这项工作中，我们提出了一种新的数据驱动和基于模型的方法，实现了盲恢复;即，信号恢复，而不需要知道感测矩阵。为此，我们利用深度展开技术，开发了一个模型驱动的深度神经架构，该架构专为这一特定任务而设计。所提出的深度架构能够通过利用底层展开算法来学习替代感测矩阵，使得所得到的学习恢复算法可以准确且快速地（就迭代次数而言）从其一位噪声测量中恢复感兴趣的底层压缩信号。此外，由于将系统的领域知识和数学模型并入到所提出的深度架构中，与当前问题的常用黑盒深度神经网络替代方案相比，所产生的网络受益于增强的可解释性，具有非常少量的可训练参数，并且需要非常少量的训练样本。
2022-09-22 cs.IT cs.LG eess.SP
Four-Level Quantized Soft Information Aided Hard-Decision Decoder for Product-like Codes
Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心）；Global College, Shanghai Jiao Tong University（上海交通大学全球学院）
针对类乘积码，提出带分级缩放可靠性和比特翻转的迭代有界距离译码方案，四级量化软信息辅助，获超0.4 dB增益，性能接近现有未量化软辅助译码器。
2026-10-16 cs.IT math.IT
