Compressive parameter estimation in AWGN
压缩感知是一种有效的提取稀疏分布信息的工具，其中稀疏度是一个离散的概念，指的是在信号空间的一些基础上占主导地位的非零信号分量的数量。在本文中，我们建立了一个框架，估计连续值参数的基础上压缩测量的信号被加性高斯白噪声（AWGN）。虽然基于朴素离散化的标准压缩感知已被证明会因基础失配而遭受性能损失，但我们证明这不是压缩测量的固有属性。我们的贡献总结如下：（a）我们确定所需的等距保持基本的估计理论的数量，如Ziv-Zakai界（ZZB）和Cramer-Rao界（CRB）。在这样的等距下，压缩投影可以简单地解释为“有效SNR”的降低。（b）我们证明了ZZB的阈值行为提供了一个标准，用于确定“准确”参数估计的最小测量次数。(c)我们提供了（a）中的等距所需的测量次数的详细计算，以解决混合正弦曲线中的频率估计问题。我们通过仿真表明，（b）中的设计准则对于估计单个正弦曲线的频率是准确的。
2014-01-25 cs.IT math.IT
Performance of Compressive Parameter Estimation via K-Median Clustering
压缩感知（CS）在参数估计任务中引起了极大的关注，其中参数字典（PD）收集用于参数空间的采样的信号观测，并且当采样密集时产生感兴趣的信号的稀疏表示。虽然这种采样也导致高字典一致性，但可以利用结构化稀疏模型来防止高一致性字典元素同时出现在恢复的信号中。然而，由此产生的方法在很大程度上依赖于仔细设置的最大允许的一致性，此外，他们的保证是不关心一般的参数估计性能。我们建议使用推土机的距离（EMD），适用于一对真正的和估计的PD系数向量，来衡量参数估计误差。我们正式分析的EMD和参数估计误差之间的连接，并表明，EMD提供了一个更适合的度量参数估计性能比欧几里德距离。此外，我们分析了先前描述的K-中值聚类和EMD最优稀疏近似之间的关系，并利用它来开发改进的基于PD的参数估计算法。最后，我们的数值实验验证了我们的理论结果，并表明，所提出的压缩参数估计算法的性能比现有的方法有所改善。
2017-05-11 cs.IT math.IT
Design and Analysis of Compressive Antenna Arrays for Direction of Arrival Estimation
在本文中，我们研究的压缩天线阵列的设计到达方向（DOA）的估计，旨在提供一个更大的孔径与降低硬件复杂度的天线输出的线性组合，以较低的接收机通道数。我们提出了一个基本的接收机架构，这样的压缩阵列，并介绍了一个通用的系统模型，包括不同的选择的硬件实现。然后，我们讨论的模拟合并网络的设计，执行接收机通道减少，并提出了两种设计方法。第一种方法是基于空间相关函数，这是一个低复杂度的计划，在某些情况下承认一个封闭的形式的解决方案。第二种方法是基于最小化克拉美-罗界（CRB）的约束，以限制路径的错误检测的概率到一个预先指定的水平。我们的数值模拟表明，所提出的优化压缩阵列的优越性相比，稀疏阵列的相同的复杂性和压缩阵列随机选择的组合内核。
2016-11-11 cs.IT math.IT
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
Distributed Compressive Sensing Based Doubly Selective Channel Estimation for Large-Scale MIMO Systems
大规模多输入多输出（MIMO）系统中的双选择性（DS）信道估计是一个具有挑战性的问题，由于无法承受的导频开销和禁止的复杂性的要求。在本文中，我们提出了一种新的分布式压缩感知（DCS）的信道估计方案来解决这个问题。在该方案中，我们引入基扩展模型（BEM），以减少所需的信道系数和导频开销。由于所有发射-接收天线对在延迟域中的共同稀疏性，我们考虑DCS框架来估计BEM系数，该框架具有简单的线性结构和低复杂度。此外，提出了一种线性平滑方法，以提高估计精度。最后，我们进行各种模拟，以验证所提出的计划的有效性，并证明所提出的计划相比，传统的计划的性能增益。
2015-11-09 cs.IT math.IT
Sparse Multipath Channel Estimation Using Compressive Sampling Matching Pursuit Algorithm
宽带无线信道是一种时间色散信道，具有很强的频率选择性。然而，在大多数情况下，信道由少数主导抽头组成，并且大部分抽头近似为零或零。为了利用多径信道（MPC）的稀疏性，已经提出了两种方法。它们是贪心算法和凸规划。贪心算法易于实现但不稳定;凸规划方法稳定但难以实现为实际信道估计问题。在本文中，我们介绍了一种新的信道估计策略，使用压缩采样匹配追踪（CoSaMP）算法，提出了在[1]。该算法将贪心算法与凸规划方法相结合。通过与现有方法的比较，验证了该算法的有效性。
2010-05-13 cs.IT math.IT
Compressive and Noncompressive Power Spectral Density Estimation from Periodic Nonuniform Samples
本文提出了一种新的功率谱密度估计技术的带限，广义平稳信号的欠采样数据。该技术采用多陪集采样，并结合了压缩感知（CS）的优势时，功率谱是稀疏的，但适用于稀疏和非稀疏功率谱一样。估计是一致的分段常数近似，其分辨率（分段常数段的宽度）由多陪集采样的周期性控制。我们表明，压缩估计表现出更好的权衡估计的分辨率，系统复杂性，和平均采样率相比，他们的非压缩同行。对于合适的采样模式，非压缩估计得到最小二乘解。由于功率谱的非负性，可以通过寻求非负最小二乘解（假设存在适当的采样模式）而不是使用标准CS恢复算法来计算压缩估计。这种灵活性表明，减少了系统的计算开销估计稀疏和非稀疏功率谱，因为一个算法可以用来计算压缩和非压缩估计。
2012-05-17 cs.IT math.IT
Spatial Channel Covariance Estimation for the Hybrid MIMO Architecture: A Compressive Sensing Based Approach
空间信道协方差信息可以代替整个信道矩阵的全部知识，用于设计混合多输入多输出（MIMO）架构中的模拟预编码器。然而，空间信道协方差估计对于混合MIMO架构是具有挑战性的，因为在基带处操作的估计器只能通过比天线更少的射频（RF）链来获得更低维的预组合信号。在本文中，我们提出了两种基于压缩感知技术的协方差估计方法。一种是应用时变传感矩阵，另一种是利用协方差矩阵是Hermitian的先验知识。通过理论分析和数值仿真验证了这两种方法的优越性。最后，我们提出的算法从窄带大规模MIMO系统与一个单一的接收天线到宽带系统与多个接收天线的文件。
2017-11-11 cs.IT math.IT
Compressive sensing based Bayesian sparse channel estimation for OFDM communication systems: high performance and low complexity
在正交频分调制（OFDM）通信系统中，由于频率选择性衰落信道会导致数据传输过程中出现严重的符号间干扰（ISI），因此在接收端需要获取信道状态信息（CSI）。宽带信道模型通常由非常少的主导信道抽头来描述，并且它们可以通过基于压缩感知的稀疏信道估计（SCE）方法来探测，例如，正交匹配追踪算法，该算法能有效地利用信道稀疏结构的优势作为先验信息。然而，这些方法容易受到噪声干扰和训练信号矩阵的列相干性。换句话说，这些常规方法的主要目标是在没有后验信道不确定性的报告的情况下捕获主导信道抽头。为了提高信道估计性能，提出了一种基于压缩感知的贝叶斯稀疏信道估计（BSCE）方法，该方法在不牺牲任何计算复杂性的前提下，充分利用了信道的稀疏性，并有效地抑制了信道的不确定性。该方法可以揭示由于观测噪声或训练矩阵中列间相关干扰而导致的多个信道估计器之间的潜在模糊性。计算机模拟表明，与传统的SCE方法相比，该方法可以提高估计性能。
2015-04-21 cs.IT math.IT
A compressive channel estimation technique robust to synchronization impairments
由于波束成形之前的硬件非理想性和低SNR测量，毫米波频率下的初始接入是一个具有挑战性的问题。先前的工作已经利用了毫米波MIMO信道在空间角度域中稀疏的观察，并且已经使用基于压缩感知的算法进行信道估计。然而，他们中的大多数忽略了硬件损伤，如载波频率偏移和相位噪声，并且当考虑到这些损伤时不能很好地执行。在本文中，我们开发了一种压缩信道估计算法的窄带毫米波系统，这是鲁棒的非理想性。我们通过构建对毫米波信道和CFO进行建模的张量来解决这个问题，并在仍然利用毫米波信道的稀疏性的同时估计张量。仿真结果表明，在相同的设置下，我们的方法表现得更好，比可比的算法是强大的相位误差。
2017-07-29 cs.IT math.IT
Low-Speed ADC Sampling Based High-Resolution Compressive Channel Estimation
宽带信道通常以稀疏多径信道为特征，其中主要多径抽头在时间上广泛分离，从而导致大的延迟扩展。传统上，精确的信道估计是通过模数转换器（ADC）以奈奎斯特速率（高速ADC采样）对接收信号进行采样，然后以高分辨率估计所有信道抽头来完成的。然而，传统的线性估计方法主要有两个缺点：1）对高速ADC的采样率的要求已经超过了当前ADC的能力，而且对于常规的无线通信来说，高速ADC非常昂贵; 2）忽略了无线通信固有的信道稀疏性，低频谱效率是不可避免的。为了解决这些问题，本文提出了一种利用低速ADC采样的高分辨率压缩信道估计方法。与传统的稀疏信道估计方法相比，本文提出的方法可以获得接近的性能。同时，该方法具有以下优点：1）利用廉价的低速ADC降低通信成本; 2）通过提取潜在的训练信号资源提高频谱效率。数值模拟证实了我们提出的方法，使用低速ADC采样。
2012-07-29 cs.IT math.IT
Compressive Spectral Estimation with Single-Snapshot ESPRIT: Stability and Resolution
本文提出了一种基于旋转不变技术的信号参数估计方法（ESPRIT）。对单快拍ESPRIT（SS-ESPRIT）的稳定性和分辨率进行了分析，并给出了性能保证。在无噪声的情况下，只要测量数据的数量至少是要恢复的不同频率的数量的两倍，就可以保证对于任何任意频率集合的精确重建。在存在噪声的情况下，并在假设的真实频率是分开的至少两倍的瑞利分辨率长度，一个明确的误差界频率重建的动态范围和分离的频率。的分离和稀疏性约束相比，毫不逊色的领先的压缩感知方法在连续。
2016-07-06 cs.IT math.IT
Distributed Compressive CSIT Estimation and Feedback for FDD Multi-user Massive MIMO Systems
为了充分利用大规模MIMO的空间复用增益或阵列增益，必须在发射端获得信道状态信息（CSIT）。然而，传统的CSIT估计方法不适合FDD大规模MIMO系统，因为压倒性的训练和反馈开销。在本文中，我们考虑多用户大规模MIMO系统，并部署压缩感知（CS）技术，以减少训练以及CSIT估计的反馈开销。多用户大规模MIMO系统由于物理传播环境中共享的局部散射点，在用户信道矩阵中表现出隐藏的联合稀疏结构。因此，而不是天真地应用传统的CS的CSIT估计，我们提出了一个分布式压缩CSIT估计方案，使压缩的测量在用户本地观察，而CSIT恢复在基站联合执行。提出了一种联合正交匹配追踪恢复算法，利用用户信道矩阵中隐藏的联合稀疏性进行CSIT恢复。我们分析所获得的CSIT质量的归一化平均绝对误差，并通过封闭形式的表达式，我们获得简单的见解如何联合信道稀疏性可以被利用，以提高CSIT恢复性能。
2014-05-12 cs.IT math.IT
Spectral Compressive Sensing with Polar Interpolation
频率稀疏信号的压缩感知的现有方法集中于信号恢复而不是谱估计。此外，恢复性能受到所需稀疏字典的一致性和频率参数空间的离散化的限制。在本文中，我们介绍了一个贪婪的恢复算法，利用频带排除功能和极坐标插值函数来解决这两个问题，在频谱压缩感知。我们的算法是面向压缩测量的线性谱估计，并优于大多数现有的方法在保真度和噪声的容忍度。
2013-05-21 cs.IT math.IT
Bayesian Compressive Channel Estimation for Hybrid Full-Dimensional MIMO Communications
高效的信道估计在全维多输入多输出通信系统中是具有挑战性的，特别是在具有混合数模架构的通信系统中。在压缩感知框架下，这封信首先设计了一个统一的字典的基础上的球形Fibonacci网格表示在稀疏域中的通道，产生更小的角度误差在三维波束空间比传统的字典。然后，贝叶斯推理辅助贪婪追求算法的频率域信道估计。最后，仿真结果表明，所设计的字典和提出的贝叶斯信道估计优于基准方案，并获得较低的归一化均方误差的信道估计。
2021-12-29 cs.IT eess.SP math.IT
Reduced Complexity Angle-Doppler-Range Estimation for MIMO Radar That Employs Compressive Sensing
作者最近提出了一种由小型无线网络实现的MIMO雷达系统。通过在接收节点处应用压缩感知（CS），MIMO雷达超分辨率可以用比传统方法少得多的观测值来实现。这以前的工作考虑了到达方向和多普勒的估计。由于目标在角速度空间中是稀疏的，因此可以通过求解l1最小化问题来提取目标信息。本文通过在具有CS的MIMO雷达中引入步进频率来利用距离信息。该方法在提高距离分辨力的同时，也提高了模糊速度。然而，联合角度多普勒距离估计需要离散化的角度多普勒距离空间，这会导致急剧上升的计算负担的l1最小化问题。为了保持一个可接受的复杂度，提出了一种技术，连续估计角度，多普勒和范围在一个解耦的方式。所提出的方法可以显着降低复杂性，而不牺牲性能。
2009-12-05 cs.IT math.IT
Compressive Sensing with Prior Support Quality Information and Application to Massive MIMO Channel Estimation with Temporal Correlation
在本文中，我们考虑的问题，压缩感知（CS）恢复与先验支持和先验支持质量信息可用。与传统的盲目利用先验支持度的算法不同，本文提出了一种基于质量信息自适应地利用先验支持度的CS恢复算法。我们分析了所提出的算法恢复信号的失真范围，我们表明，一个更好的质量先验支持可以导致更好的CS恢复性能。我们还表明，该算法将收敛于$\mathcal{O}\left(\log\mbox{SNR}\right)$步骤。为了容忍可能的模型失配，我们进一步提出了一些鲁棒性设计，以打击不正确的先验支持质量信息。最后，我们提出的框架，稀疏信道估计在大规模MIMO系统的时间相关性，以进一步减少所需的导频训练开销。
2015-06-02 cs.IT math.IT
A Fast Compressive Channel Estimation with Modified Smoothed L0 Algorithm
宽带无线信道具有时间色散性和强频率选择性。在大多数情况下，信道由几个主导系数组成，并且大部分系数近似为零或零。为了利用多径信道（MPC）的稀疏性，已经提出了各种方法。它们是贪心算法、迭代算法和凸规划。前两种算法易于实现，但不稳定;后一种算法虽然稳定，但由于计算复杂性，难以实现为实际的信道估计问题。本文提出了一种新的信道估计策略，使用改进的平滑（MSL 0）算法，它结合了稳定性和低复杂度。计算机模拟证实了所介绍的算法的有效性与现有的方法相比。我们也给
2010-05-13 cs.IT math.IT
Pulse-Doppler Signal Processing with Quadrature Compressive Sampling
正交压缩采样（QuadCS）是一种新引入的用于获取射频信号的同相和正交（I/Q）分量的亚奈奎斯特采样。对于脉冲多普勒雷达的应用，QuadCS的输出可以安排在2维数据类似的奈奎斯特采样。本文提出了一种基于亚奈奎斯特采样的压缩采样脉冲多普勒（CoSaPD）处理方案。CoSaPD方案遵循多普勒估计/检测和距离估计，并且在子奈奎斯特样本上进行，而不恢复奈奎斯特样本。多普勒估计与经典处理一样，通过频谱分析仪实现。检测是在多普勒频点数据上完成的。通过稀疏恢复算法对检测到的目标进行距离估计，从而减少了计算量。该算法通过设置较低的检测门限来提高检测概率，并利用恢复算法固有的检测特性在距离估计阶段去除引入的假目标。仿真结果证实了我们的发现。CoSaPD方案的数据在八分之一的奈奎斯特速率和SNR高于-25dB可以实现经典的处理与奈奎斯特样本的性能。
2014-02-26 cs.IT math.IT
Multichannel group sparsity methods for compressive channel estimation in doubly selective multicarrier MIMO systems (extended version)
我们考虑在双选择性MIMO信道上传输的脉冲成形多载波多输入多输出（MIMO）系统中的信道估计。这种设置包括作为特殊情况的MIMO正交频分复用（MIMO-OFDM）系统。我们发现，在延迟-多普勒域的分量信道往往表现出近似的联合组稀疏结构。然后，我们开发了一个压缩信道估计，利用这种结构，以提高性能。提出的信道估计器使用多通道组稀疏压缩感知的方法，它结合了组稀疏压缩感知和多通道压缩感知的方法。我们推导了信道估计误差的上界，并分析了估计器的计算复杂性。通过引入基础扩展产生增强的联合组稀疏性，以及基础优化算法，该算法能够利用先前的统计信息，如果可用的话，估计器的性能进一步提高。使用基于几何的信道模拟器的模拟表明，由于利用联合组稀疏性和优化的基础的性能增益。
2016-08-01 cs.IT math.IT
Triple-Structured Compressive Sensing-based Channel Estimation for RIS-aided MU-MIMO Systems
可重构智能表面（RIS）被认为是5G之后的潜在技术，并引起了巨大的研究关注。然而，由于级联信道中的参数数量过多，在RI辅助系统中的信道估计仍然是一个关键的挑战。现有的基于压缩感知（CS）的RIS估计方案仅采用不完全稀疏性，这会导致冗余导频消耗。在本文中，我们利用级联通道的特定三重结构稀疏性，即，公共列稀疏度、偏移补偿后的结构化行稀疏度和所有用户之间的公共偏移。在此基础上提出了一种新的多用户联合估计算法。仿真结果表明，我们的方法可以显着减少导频开销在两个CDMA和UPA场景。
2021-08-31 cs.IT eess.SP math.IT
Analysis of MMSE Estimation for Compressive Sensing of Block Sparse Signals
研究了带噪线性观测信号的块稀疏信号的最小均方误差估计问题。与其中信号的非零条目独立且均匀地分布在感兴趣向量上的标准压缩感测设置不同，信息承载分量在这里出现在大的相互依赖的集群中。利用统计物理学中的副本方法，我们得到了一个简单的封闭形式的最佳估计得到的MMSE的解决方案。我们表明，MMSE是一个版本的Tse-Hanly公式与系统负载和MSE缩放的参数，取决于源的稀疏模式。事实证明，这等于通过预先被告知非零块的确切位置的基因辅助MMSE估计器获得的MSE。由非严格副本方法得到的渐近结果被发现有一个很好的协议与有限尺寸的数值模拟。
2012-04-25 cs.IT math.IT
Structured Compressive Sensing Based Spatio-Temporal Joint Channel Estimation for FDD Massive MIMO
大规模MIMO由于其高频谱和能量效率而成为未来5G通信的一种有前途的技术。为了实现其潜在的性能增益，准确的信道估计是必不可少的。然而，由于基站（BS）处的大量天线，传统信道估计方案所需的导频开销将是无法承受的，特别是对于频分双工（FDD）大规模MIMO。为了克服这个问题，我们提出了一种基于结构化压缩感知（SCS）的时空联合信道估计方案，以减少所需的导频开销，从而利用延迟域MIMO信道的时空公共稀疏性。特别地，我们首先提出在CS理论的框架下，在BS处的非正交导频，以减少所需的导频开销。然后，提出了一种用户端自适应结构子空间追踪（ASSP）算法，利用有限导频对多个OFDM符号的信道进行联合估计，从而利用MIMO信道的时空共同稀疏性提高信道估计精度。此外，通过利用信道的时间相关性，我们提出了一个空时自适应导频方案，以进一步减少导频开销。此外，我们还讨论了多小区情况下的信道估计方案。仿真结果表明，该方法能够在降低导频开销的情况下准确估计信道，并能逼近最优的oracle最小二乘估计器。
2016-04-23 cs.IT math.IT
Frequency-domain Compressive Channel Estimation for Frequency-Selective Hybrid mmWave MIMO Systems
信道估计在毫米波（mmWave）MIMO通信系统中是有用的。信道状态信息允许在诸如互信息或信号干扰噪声（SINR）比的不同度量下优化预编码器和组合器的设计。在毫米波，MIMO预编码器和组合器通常是混合的，因为这种架构提供了一种权衡功耗和可实现速率的方法。然而，当使用这些架构时，信道估计是具有挑战性的，因为不存在对阵列中的不同天线元件的输出的直接存取。MIMO信道只能通过模拟组合网络来观察，模拟组合网络充当接收信号的压缩级。大多数关于混合架构的信道估计的现有工作假设频率平坦的毫米波信道模型。在本文中，我们考虑了频率选择性毫米波信道，并提出了基于压缩感知的策略，以估计在频域中的信道。我们评估不同的算法，并计算其复杂性，暴露权衡复杂性开销性能相比，以前的方法。
2017-04-27 cs.IT math.IT
Estimation of block sparsity in compressive sensing
在压缩感知中，利用未知信号的块结构可以获得更好的重构性能。理论上，具有块结构的未知信号可以从少量的欠定线性测量中精确地恢复，只要它是足够块稀疏的。从实际的角度来看，一个严重的问题是，块稀疏水平往往出现未知。本文利用$α\in[0,\infty]$引入了块稀疏性的软度量$k_α(\mathbf{x})=\left(\lVert\mathbf{x}\rVert_{2,α}/\lVert\mathbf{x}\rVert_{2,1}\right)^{\fracα{1-α}}$，并提出了一种利用多元中心各向同性对称$α$ -稳定随机投影的估计方法.建立了估计量的极限分布。通过仿真来说明我们的理论结果。
2021-06-03 cs.IT math.IT stat.AP
Hybrid Beamformer Codebook Design and Ordering for Compressive mmWave Channel Estimation
在毫米波（mmWave）通信系统中，利用大型天线阵列的波束成形对于克服高路径损耗至关重要。将全数字波束成形分为模拟和数字阶段可以提供实际实现所需的功耗的大幅降低和频谱效率的小幅损失。由于模拟级中的额外自由度及其伴随的硬件约束，开发具有这种有利权衡的算法是具有挑战性的。例如，在混合波束成形系统中，信道估计算法不直接观察信道，面对高信道计数，并且在发射-接收波束对准之前在低SNR下操作。由于毫米波信道在时域和波束域中是稀疏的，因此已经开发了许多压缩感知（CS）信道估计算法，其随机配置模拟波束形成器、数字波束形成器和/或导频符号。在本文中，我们提出设计确定性波束形成器和导频符号的开环信道估计。我们使用CS方法，依赖于低相干性的恢复保证，因此寻求最小化的压缩传感矩阵的相互相干性。我们还提出了一个预编码器列排序设计的导频符号。仿真结果表明，我们的波束形成器的设计减少了竞争方法的信道估计误差。
2019-09-21 cs.IT math.IT
Performance Limits of Compressive Sensing Channel Estimation in Dense Cloud RAN
为了减少大规模和密集云无线电接入网络（CRAN）中的训练信令开销，已经基于信道稀疏化假设提出了各种方法，即，仅部署的远程无线电头端（RRH）的一小部分对系统中的任何用户是重要的。受压缩感知（CS）技术在这种情况下的潜力，本文提供了一个严格的描述，许多实际的CS算法的性能限制，通过考虑的性能，所谓的预言估计，它知道先验的RRH的意义，但不是他们相应的信道值。通过使用随机几何的工具，得到了一个封闭形式的解析表达式的预言估计器的性能，平均RRH位置和信道统计分布。除了对实际CS算法的约束外，该分析还提供了重要的设计见解，例如，训练序列长度如何影响性能，并确定信道稀疏化假设有效的操作条件。结果表明，后者是真实的，只有在操作条件下具有足够大的路径损耗指数。
2018-02-08 cs.IT math.IT
Compressive Rate Estimation with Applications to Device-to-Device Communications
我们开发了一个框架，我们称之为压缩率估计。我们假设复合信道增益矩阵（即，所有网络节点之间的所有信道增益的矩阵）是可压缩的，这意味着它可以通过稀疏或低秩表示来近似。我们开发和研究了一种新的传感和重建协议的估计可实现的速率。我们开发了一个传感协议，利用无线信道的叠加原理，使接收节点获得非自适应随机测量的复合信道矩阵的列。随机测量被反馈到中央控制器，该中央控制器解码复合信道增益矩阵（或其部分）并估计各个用户速率。我们分析了线性和非线性解码器的速率损失，并根据非自适应测量的数量找到了缩放定律。特别地，如果我们考虑具有$N$节点的系统并且假设复合信道矩阵的每一列是$k$稀疏的，则我们的发现可以总结如下。对于某一类非线性解码器，我们表明，如果导频信号$M$的数量像$M \sim k \log(N/k)$一样缩放，那么与完美的信道状态信息相比的速率损失仍然有界。对于某一类线性解码器，我们表明，速率损失相比，完美的信道状态信息规模像$1/\sqrt{M}$。
2015-04-28 cs.IT math.IT
Graph Attention Network Based Single-Pixel Compressive Direction of Arrival Estimation
İstanbul Technical University（伊斯坦布尔理工大学）；Queen’s University（女王大学）；Polytechnique Montréal（蒙特利尔理工学院）
在本文中，我们提出了一种利用基于图注意力网络（GAT）的深度学习框架的单像素压缩波达方向（DoA）估计技术。物理层压缩使用编码孔径技术实现，使用一组时空非相干模式探测入射在孔径上的远场源的光谱。然后将该信息编码并压缩到编码孔径的信道中。编码孔径是基于超表面天线设计，它作为一个接收机，表现出单通道，并取代传统的多通道光栅扫描为基础的解决方案的DOA估计。GAT网络使得压缩DoA估计框架能够直接从使用编码孔径获取的测量中学习DoA信息。该步骤消除了对额外重建步骤的需要，并且显著简化了处理层以实现DoA估计。我们表明，所提出的GAT集成单像素雷达框架，即使在相对较低的信噪比（SNR）水平下，也可以检索高保真度的DOA信息。
2021-11-01 cs.IT cs.LG eess.SP
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
Bayesian Compressive Sensing Approaches for Direction of Arrival Estimation with Mutual Coupling Effects
研究了均匀线阵在互耦效应下远场信号的动态波达方向估计问题。这项工作提出了两种新的方法，能够提供准确的解决方案，包括在端射区域的阵列。首先，贝叶斯压缩感知卡尔曼滤波器的发展，它占的预测估计信号，而不是使用传统的稀疏先验。从理论上推导了接收源信号的后验概率密度函数和相关的边缘似然函数的表达式。接下来，开发了一种基于Gibbs抽样的方法，该方法在稀疏性先验中具有指示变量。这允许以不同的方式显式地强制稀疏性，包括当角度与先前的估计相差太远时。所提出的方法进行了验证和评估，在不同的测试场景，并与传统的基于相关向量机的方法。在平均均方根误差值方面实现了改进的准确度（对于基于修改的相关向量机的方法高达73.39%，对于基于Gibbs采样的方法高达86.36%）。所提出的方法被证明是特别有用的波达方向估计时，到达角移动到端射区域的阵列。
2017-02-13 cs.IT math.IT
On the optimality of a L1/L1 solver for sparse signal recovery from sparsely corrupted compressive measurements
这个简短的说明证明了$\ell_1/\ell_1$求解器的$\ell_2-\ell_1$实例最优性，即当应用于估计稀疏（或可压缩）信号时，具有$\ell_1$保真度约束的\emph{basis pursuit denoising}的变体。该方法简单地结合了两个已知的结果，由于Y。普兰河Vershynin和E.坎迪斯
2013-03-20 cs.IT math.IT
Compressive estimation of doubly selective channels in multicarrier systems: Leakage effects and sparsity-enhancing processing
我们认为，应用压缩感知（CS）的脉冲成形多载波系统（其中包括OFDM系统作为一个特殊情况）的双选择性信道的估计。通过利用延迟-多普勒域中的稀疏性，基于CS的信道估计允许通过减少导频符号的数量来增加频谱效率。为了打击泄漏效应，限制延迟多普勒稀疏，我们提出了一个稀疏增强的基础扩展和优化的基础上，或没有事先统计信息的信道的方法。我们还提出了一种替代CS为基础的信道估计（潜在的）强时间-频率色散的信道，这是能够估计的“非对角”的信道系数表征符号间和载波间干扰（ISI/ICI）。对于这个估计，我们提出了一个基础建设相结合的傅立叶（指数）和长椭球序列。仿真结果评估所提出的稀疏增强处理技术和ISI/ICI信道系数的显式估计实现的性能增益。
2010-05-07 cs.IT math.IT
MSE estimates for multitaper spectral estimation and off-grid compressive sensing
我们得到的估计的均方误差（MSE）的multitaper频谱估计和某些压缩多频带信号的采集方法。我们证实了Thomson [Spectrum estimation and harmonic analysis，Proc. IEEE，1982]发现的一个事实：假设带宽$W$和$N$时域观测值，随着$K$的增长，第一个$K=2NW$ Slepian函数的平方的平均值接近于区间$[-W,W]$的理想带通核。我们提供了一个分析证明这一事实，并测量相应的收敛速度在$L^{1}$规范。这验证了一个启发式近似用于控制的多锥度估计的MSE。的估计也有后果的方法，压缩采集的多频带信号介绍达文波特和瓦金，给出MSE近似界的字典形成的调制的临界数量的prolates。
2017-06-20 cs.IT math.IT math.ST
Compressive sampling for energy spectrum estimation of turbulent flows
最近的压缩采样（CS）的结果表明，稀疏信号的精确重建往往需要比经典的Nyquist-Shannon采样定理所建议的样本少得多。通常，信号重构误差以$\ell^2$范数测量，并且信号被假设为稀疏的、可压缩的或具有先验分布。我们的谱估计稀疏优化（SpESO）方法使用的先验信息的各向同性均匀湍流的能量谱的幂律和CS的方法应用于1-D和2-D湍流信号估计其能量谱与小的对数误差。SpESO不同于现有的基于信号在傅立叶空间中的稀疏支持的能量谱估计方法。SpESO近似能量谱的数量级少的样本比香农采样所需的。我们的研究结果表明，SpESO比集总正交匹配追踪（LOMP），以及或优于基于小波的最佳M项或M/2项的方法，即使这些方法需要完整的采样信号压缩前。
2014-04-22 cs.IT math.IT physics.flu-dyn
Grid-free compressive beamforming
波达方向（DOA）估计问题涉及到从传感器阵列上有限数量的观测值中定位少数源，因此它可以被表述为稀疏信号重构问题，并可以通过压缩感知（CS）有效地解决以实现高分辨率成像。在离散角网格上，当波达方向与网格上的角方向不一致时，由于基失配，CS重建会退化。为了克服这一限制，连续制定的DOA问题，并引入了优化过程，这促进了连续优化变量的稀疏性。具有无穷多个未知数的DOA估计问题，即，源位置和振幅，解决了几个优化变量与半定规划。无网格CS重建提供了高分辨率成像，即使与非均匀阵列，单快照数据和噪声条件下的实验拖曳阵列数据上证明。
2015-03-12 cs.IT math.IT
CSSF MIMO RADAR: Low-Complexity Compressive Sensing Based MIMO Radar That Uses Step Frequency
提出了一种将步进频率（SF）技术应用于基于压缩感知（CS）的多输入多输出（MIMO）雷达的新方法，即CSSF MIMO雷达。所提出的方法能够在发射窄带脉冲的同时实现高分辨率的距离、角度和多普勒估计。首先将联合角度-多普勒-距离估计问题公式化以适合CS框架，即，L1优化问题。这个问题的直接解决方案需要很高的复杂性，因为它采用了一个基础矩阵，其建设需要离散化的角度多普勒距离空间。由于高分辨率需要精细的空间离散化，因此联合距离、角度和多普勒估计的复杂度可能非常高。对于缓慢移动的目标的情况下，提出了一种技术，实现了显着的复杂性降低，通过连续估计的角度范围和多普勒在一个解耦的方式，并通过采用通过匹配滤波获得的初始估计，以进一步减少需要被数字化的空间。数值结果表明，CS和SF的组合结果在MIMO雷达系统，具有优越的分辨率，并需要少得多的数据相比，使用匹配滤波器与SF的系统。
2011-01-14 cs.IT math.IT
Spectral Compressive Sensing with Model Selection
从压缩测量中恢复频率稀疏信号的现有方法的性能受到所需稀疏字典的一致性和频率参数空间的离散化的限制。本文提出了一种基于模型选择的谱压缩感知参数联合恢复估计方法。数值实验表明，我们的方法优于大多数国家的最先进的光谱CS恢复方法在保真度，噪声容忍度和计算效率。
2014-07-12 cs.IT math.IT
Compressive Sensing Based Adaptive Active User Detection and Channel Estimation: Massive Access Meets Massive MIMO
针对大规模多输入多输出（MIMO）系统中的大规模接入问题，提出了一种基于压缩感知的自适应主动用户检测和信道估计方案。通过利用大规模连接的用户设备的零星业务和大规模多输入多输出信道的虚拟角域稀疏性，所提出的方案可以支持大规模接入，大大减少接入延迟。具体而言，我们设计了非正交的伪随机导频的上行链路宽带大规模接入，并制定了积极的用户检测和信道估计的问题作为一个广义的多测量矢量压缩感知问题。此外，利用上行信道矩阵的结构稀疏性，提出了一种基于空域或角域信道模型的广义多测量向量近似消息传递（GMMV-AMP）算法，实现了同时进行的活跃用户检测和信道估计。为了联合利用在空间和角度域中呈现的信道稀疏性以增强性能，开发了用于检测活跃用户并以交替方式估计其信道的Turbo-GMMV-AMP算法。最后，提出了一种自适应接入方案，该方案自适应地调整接入时延，以保证在信道稀疏度未知的情况下，实际系统的可靠大规模接入。此外，所提出的GMMV-AMP算法的状态演化推导出预测其性能。仿真结果表明，所提出的主动用户检测和信道估计方案相比，几个基线方案的优越性。
2020-08-03 cs.IT eess.SP math.IT
Sparse Signal Detection with Compressive Measurements via Partial Support Set Estimation
在本文中，我们考虑的问题，稀疏信号检测的部分支持集估计的基础上压缩测量在分布式网络中。假设网络中的多个节点观测共享共同但未知支持的稀疏信号。而在传统的压缩感知（compressive sensing，CS）框架中，目标是恢复完整的稀疏信号，而在稀疏信号检测中，完整的信号恢复可能并不需要做出可靠的检测决策。特别是，可以基于部分或不准确估计的信号来执行检测，这需要比完整信号恢复所需的计算负担更少的计算负担。为此，我们研究了基于部分估计支持集的稀疏信号检测问题。首先，我们讨论了如何确定支持集的最小分数是已知的，以便在一个集中的设置实现所需的检测性能。其次，我们开发了两种分布式算法的稀疏信号检测时，原始压缩的意见是不可用的中央融合中心。在这些算法中，最终的决策统计量计算的基础上局部估计的部分支持集通过正交匹配追踪（OMP）在各个节点。所提出的分布式算法具有较少的通信开销，提供相当的性能（有时更好）的集中式方法时，估计的部分支持集的大小是非常小的。
2016-08-09 cs.IT math.IT stat.AP
Superimposed Channel Estimation in OTFS Modulation Using Compressive Sensing
Isfahan University of Technology（伊斯法罕理工大学）；Yazd University（亚兹德大学）
本文提出了一种基于压缩感知的OTFS信道估计方法，利用稀疏恢复算法和消息传递检测器，实现无导频开销的高效信道参数估计。
2022-12-19 cs.IT eess.SP math.IT
Priori-Information Aided Iterative Hard Threshold: A Low-Complexity High-Accuracy Compressive Sensing Based Channel Estimation for TDS-OFDM
针对双选择性衰落信道下时域同步（TDS）正交频分复用（OFDM）系统的性能损失，提出了一种基于压缩感知（CS）的低复杂度信道估计方法。具体地说，首先提出了一种时域训练序列的加和方法，利用信道的时间相关性获得无线信道的信道长度、路径时延和路径增益的粗估计，以提高粗估计在严重衰落信道和长时延扩展下的鲁棒性。然后，我们提出了优先信息辅助（PA）迭代硬阈值（IHT）算法，它利用所获得的粗估计的无线信道的先验信息，因此能够获得准确的信道估计的双选择性衰落信道。与经典IHT算法的收敛性要求测量矩阵的$l_2$范数小于1相比，所提出的PA-IHT算法充分利用了测量矩阵的先验信息，消除了这一限制，同时减少了迭代次数.与现有的基于CS的TDS-OFDM信道估计方法相比，该算法在提高信道估计精度的同时，显著降低了信道估计的计算复杂性。仿真结果表明，在不牺牲频谱效率和改变现有TDS-OFDM信号结构的情况下，该方案在各种情况下，尤其是在严重双选择性衰落信道下，性能优于现有的TDS-OFDM信道估计方案。
2015-11-27 cs.IT math.IT
Compressive Sensing Based Channel Estimation for Millimeter-Wave Full-Dimensional MIMO with Lens-Array
毫米波透镜阵列信道估计（CE）的训练开销过大，而现有的解决方案需要额外复杂的射频移相网络。相比之下，使用天线交换网络（ASN）的透镜阵列简化了硬件，但由于ASN施加的约束，相关的CE是一项具有挑战性的任务。提出了一种基于压缩感知（CS）的全维（FD）透镜阵列CE方案，利用了毫米波信道的稀疏性。首先提出了一种在ASN更严格的Haraware约束下的飞行员训练方法，并将透镜阵列的CE问题转化为CS问题。然后，针对FD透镜阵列中多径分量角度连续性造成的功率泄漏，设计了一个冗余字典。此外，我们设计基带导频信号，以最小化基于CS理论的测量矩阵的总互相干性，以获得更可靠的CE性能。我们的解决方案提供了一个框架，将CS技术应用于透镜阵列使用简单和实用的ASN。仿真结果证明了该方法的有效性。
2019-12-23 cs.IT eess.SP math.IT
Gridless Quadrature Compressive Sampling with Interpolated Array Technique
正交压缩采样（QuadCS）是一种用于雷达中获取同相和正交（I/Q）分量的亚奈奎斯特采样方案。在该方案中，接收到的中频（IF）信号被表示为发送波形的时间延迟和缩放副本的线性组合。对于离散时延空间网格上的稀疏中频信号，QuadCS可以有效地从亚奈奎斯特采样重构I/Q分量。实际上，信号的特征在于连续空间中的一组未知的时延参数。传统的稀疏信号重建会降低QuadCS重建的性能。本文主要研究具有连续延迟参数的I/Q分量的重构问题。定义了一种参数化谱匹配字典，该字典通过延迟参数和增益系数稀疏地描述了中频信号的频域特性，并在新字典下对QuadCS系统进行了重新分析。利用QuadCS系统的固有结构，可以将时延参数的估计与稀疏增益系数的估计解耦，从而得到一种具有时变波束形成矩阵的波束空间波达方向（DOA）估计公式。在此基础上，提出了一种内插波束域DOA估计方法。建立了一种最优插值阵，并给出了保证时延参数估计成功的充分条件。利用估计的时延，可以方便地通过求解线性最小二乘问题来确定增益系数。大量的仿真结果表明，该算法在重构具有连续延迟参数的稀疏信号时具有优越的性能。
2015-03-02 cs.IT math.IT
Compressive Sampling Based UWB TOA Estimator
本文提出了两种基于压缩采样的到达时间（TOA）估计算法，使用亚奈奎斯特速率接收机。我们还描述了一种新的压缩采样字典设计的接收到的UWB信号的紧凑表示。其中一种算法利用了目标的信道和距离的先验信息。算法的性能进行了比较，对最大似然（ML）为基础的接收机使用IEEE 802.15.4a CM 1视线（LOS）UWB信道模型。所提出的算法产生类似的性能ML TOA估计在高信噪比。然而，与ML估计器相比，计算复杂性和采样率要求较小。仿真结果表明，在信噪比为25 dB时，该算法仅需1/4的采样率即可达到ML估计器的性能。我们分析了该算法的性能与实际的约束条件，如全息字典的大小和采样率。我们还提出了一种新的算法，它可以利用先验信息的UWB信道和地理上的限制，可能是在接收机上的目标。该算法在低信噪比下比无先验信息的算法性能有显著提高。
2016-04-11 cs.IT math.IT
Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces
Beijing Institute of Technology（北京理工大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）；Université Paris-Saclay（巴黎-萨克雷大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
将大型智能反射表面（IRS）集成到毫米波（mmWave）大规模多输入多输出（MIMO）中已经成为改善覆盖和吞吐量的有前途的方法。大多数现有的工作假设理想的信道估计，这可能是具有挑战性的，由于高维级联MIMO信道和无源反射元件。因此，本文提出了一种深度去噪神经网络辅助的毫米波IRS系统压缩信道估计，以减少训练开销。具体来说，我们首先介绍了一种混合被动/主动IRS架构，其中很少的接收链被用来估计上行链路用户到IRS信道。在通道训练阶段，只有一小部分元件将被连续激活以使部分通道发声。此外，可以基于压缩感测从有限的测量重构完整的信道矩阵，由此利用不同子载波之间的角域毫米波MIMO信道的公共稀疏性以提高准确度。此外，一个复值去噪卷积神经网络（CV-DnCNN）进一步提出了增强性能。仿真结果表明，所提出的解决方案优于国家的最先进的解决方案。
2020-08-30 cs.IT cs.LG eess.SP
On Collaborative Compressive Sensing Systems: The Framework, Design and Algorithm
基于最大似然估计原理，我们推导出一个协作估计框架，融合了几个不同的估计，并产生一个更好的估计。将其应用于压缩感知（CS），我们提出了一个合作的CS（CCS）计划组成的银行的$K$ CS系统，共享相同的传感矩阵，但有不同的稀疏字典。该CCS系统预期产生比每个单独的CS系统更好的性能，同时需要与使用并行计算策略时每个单独的CS系统所需的时间相同的时间。然后，我们提供了一种方法来设计最佳的CCS系统，通过利用一个措施，涉及的传感矩阵和字典，从而使我们能够同时优化的传感矩阵和所有的$K$字典。一个交替的最小化为基础的算法来解决相应的优化设计问题。通过严格的收敛性分析，证明了算法的收敛性.实验证实了理论结果，并表明，建议的CCS系统产生显着改善现有的CS系统的信号恢复精度。
2018-04-19 cs.IT math.IT
1-Bit Compressive Sensing via Approximate Message Passing with Built-in Parameter Estimation
1-比特压缩感测旨在从量化的1比特测量恢复稀疏信号。设计可以处理噪声1位测量的有效方法在各种应用中非常重要。在本文中，我们使用近似消息传递（AMP）来实现这一目标，由于其高计算效率和最先进的性能。在AMP中，假设感兴趣的信号遵循某种先验分布，并且可以计算其后验分布并用于恢复信号。在实际应用中，先验分布的参数往往是未知的，需要估计。以前的工作试图通过期望最大化来找到最大化测量可能性的参数，这在复杂的概率模型的情况下变得越来越难以解决。在这里，我们建议将参数视为未知变量，并通过AMP计算其后验，以便参数和信号可以联合恢复。与以前的方法相比，所提出的方法导致一个简单而优雅的参数估计方案，允许我们直接与1位量化噪声模型。实验结果表明，该方法在零噪声和中等噪声条件下的检测性能优于其他方法，在高噪声条件下的检测性能优于其他方法。
2022-04-26 cs.IT eess.SP math.IT
Compressive Sensing Approaches for Sparse Distribution Estimation Under Local Privacy
Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）；Tencent（腾讯）
近年来，许多网络服务提供商，如Google \cite{erlingsson2014rappor}，Apple \cite{apple2017privacy}和Microsoft \cite{bolin2017telemetry}，都采用了本地差分隐私（LDP）来私下收集和分析用户数据。本文考虑局部差分隐私约束下的离散分布估计问题。分布估计是最基本的估计问题之一，在非私有和私有环境下都得到了广泛的研究。在局部模型中，已知具有可证明的最优样本复杂度的私有机制。然而，它们只是在最坏的情况下才是最优的;它们的样本复杂度与整个宇宙的大小成正比，在实践中可能是巨大的。在本文中，我们考虑稀疏或近似稀疏（例如\高度偏斜）分布，并表明所需的样本数量可以显着减少。最近\cite{acharya2021estimating}对这个问题进行了研究，但他们只考虑了严格的稀疏分布和高隐私机制。我们提出了基于压缩感知的新的私有化机制。我们的方法适用于近似稀疏分布和中等隐私，并具有最佳的样本和通信复杂性。
2022-03-12 cs.CR cs.IT cs.LG
Versatile Compressive mmWave Hybrid Beamformer Codebook Design Framework
混合波束成形（HB）架构对于具有大型天线阵列的无线通信系统是有吸引力的，因为模拟波束成形级可以显著减少RF收发器的数量，从而降低功耗。在HB系统中，由于基带处理对通信信道的间接访问以及由于波束对准之前的低SNR，信道估计（CE）变得具有挑战性。已经采用基于压缩感知（CS）的算法来通过利用毫米波多输入多输出（mmWave MIMO）信道的稀疏性质来解决这些挑战。在窄带CE的许多CS算法中，混合波束形成器是随机配置的，这并不总是产生恢复保证依赖于相干性的那些CS算法所期望的低相干感测矩阵。在本文中，我们提出了一个通用的确定性HB码本设计框架的CS算法与基于相干的恢复保证，以提高CE的准确性。仿真结果表明，与随机码本相比，该设计在基于移相器、开关和透镜的HB结构中可以获得更低的信道估计误差和更高的频谱效率。
2019-09-21 cs.IT math.IT
Dynamic Compressive Sensing of Time-Varying Signals via Approximate Message Passing
在这项工作中，动态压缩感知（CS）的问题，从子奈奎斯特，非自适应，线性测量恢复稀疏，相关，时变信号从贝叶斯的角度进行了探讨。虽然有少数以前提出的贝叶斯动态CS算法在文献中，在计算效率高的方式进行推理的高维问题的能力仍然难以捉摸。作为回应，我们提出了一个概率动态CS信号模型，捕获幅度和支持相关结构，并描述了一个近似的消息传递算法，执行软信号估计和支持检测的计算复杂性，在所有问题的维度是线性的。该算法，DCS-AMP，可以执行因果滤波或非因果平滑，并能够学习模型参数自适应的数据，通过期望最大化的学习过程。我们提供的数字证据表明，DCS-AMP在各种操作条件下的合成数据上在3 dB的Oracle界限内执行。我们进一步描述了将DCS-AMP应用于两个真实动态CS数据集以及频率估计任务的结果，以支持我们的主张，即DCS-AMP能够在现实世界的高维问题上提供最先进的性能和速度。
2013-04-17 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
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
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
