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
Reconstruction of Frequency Hopping Signals From Multi-Coset Samples
多陪集(MC)采样是一种成熟的、实际可行的用于采样低于奈奎斯特速率的多频带模拟信号的方案。MC采样在压缩感知(CS)社区中重新获得了兴趣,部分原因是在频域中,MC采样与其他亚奈奎斯特CS采集协议非常相似。本文研究模拟跳频信号的MC采样,模拟跳频信号可以看作是频带位置变化的多频带信号。这种非平稳性促使我们考虑一个基于段的重建框架,在该框架中,样本流被分解为短段进行重建。相比之下,以前的作品侧重于多频带信号的重建,使用了一个无段的重建框架,如修改的MUSIC算法。我们概述了与基于段的MC样本的跳频信号的恢复相关的挑战,我们解释了如何使用传统的CS恢复技术可以解决这些挑战。我们还证明了实用程序的离散长球形序列(DPSS的)作为一个有效的字典,用于减少基于段的重建的计算复杂性。
2016-03-22 cs.IT math.IT
Signal and Image Reconstruction with Tight Frames via Unconstrained $\ell_1-α\ell_2$-Analysis Minimizations
本文提出了一种基于$\ell_{1}-α\ell_{2}$ $(0< α\leq1)$最小化的无约束信号和图像重建分析模型。我们发展了紧框架的一些新的技术引理,并基于适合于紧框架的限制等距性给出了恢复保证。建立了非凸分析模型的有效算法。我们通过大量的数值实验说明了所提出的模型和算法的信号和压缩感知MRI重建的性能。其性能优于现有的方法。
2021-12-29 cs.IT math.IT
Reconstruction of Sparse and Nonsparse Signals from a Reduced Set of Samples
在变换域中稀疏的信号可以通过使用压缩感知算法从随机定位的样本的缩减集合中恢复。本文的第一部分给出了简单的重构算法.缺失的样本在该重建中表现为噪声。一旦满足稀疏信号的重建条件并且实现了重建,则由于缺失样本引起的噪声不会以直接的方式影响结果。它只影响恢复信号的可能性。加性输入噪声将保留在所得到的重构信号中。恢复结果的精度与加性输入噪声有关。简单推导这个关系。如果在非稀疏信号的重建中使用稀疏信号的重建算法,则由于缺失样本而导致的噪声将保留并且表现为加性输入噪声。对于部分DFT矩阵的情形,本文导出了该误差的均方误差的一个精确关系,并以定理的形式给出。它考虑到了一个非常重要的事实,即如果所有的样本都是可用的,那么对于稀疏和非稀疏恢复信号,误差将为零。理论说明和检查统计的例子。
2015-12-06 cs.IT math.IT
Greedy Sparse Signal Reconstruction Using Matching Pursuit Based on Hope-tree
稀疏信号的重构需要求解压缩感知中的$\ell_0$范数最小化问题。以前的研究集中在一个单一的候选人的调查,以确定支持(非零元素的索引)的稀疏信号。为了保证每次迭代都能得到最优的重建结果,本文提出了一种迭代贪婪重建算法(GSRA)。首先,将正交匹配追踪(OMP)和子空间追踪(SP)估计的支持集的交集作为初始支持集。然后,构建一棵树来扩展集合。最后,采用改进的递减子空间追踪方法对候选集进行校正。详细的仿真结果表明,GSRA在恢复高斯信号、0- 1稀疏信号和合成信号方面比其他典型方法具有更高的精度。
2017-01-11 cs.IT math.IT
Progressive Compressed Sensing and Reconstruction of Multidimensional Signals Using Hybrid Transform/Prediction Sparsity Model
压缩感知(CS)是一种创新的技术,允许通过少量的线性投影来表示信号。因此,CS可以被认为是用于获取多维信号的自然候选者,因为由常规传感器获取和处理的数据量可能在计算复杂性方面产生问题。在本文中,我们提出了一个框架的多维相关信号的采集和重建。该方法是通用的,可以应用于D维信号,即使我们提出的算法实际上实现这种架构适用于2-D和3-D信号。所提出的架构采用迭代局部信号重建的基础上的混合变换/预测相关模型,加上适当的初始化策略。
2013-10-04 cs.IT math.IT
Reconstruction of Randomly Sampled Sparse Signals Using an Adaptive Gradient Algorithm
稀疏信号可以通过使用压缩感测算法从减少的样本集合中恢复。在常见的方法中,在稀疏域中恢复信号。最近提出了一种用于稀疏信号重建的方法,该方法重建剩余的缺失样本/测量。可用的样本是固定的,而缺失的样本被认为是最小化变量。在时域中使用基于自适应梯度的算法来完成缺失样本/测量的恢复。提出了一种新的基于梯度方向角的参数自适应准则。提高了算法的计算效率。对于给定的一组缺失样本(重构变量),给出了恢复信号的唯一性定理。本文考虑了可用样本是均匀或非均匀采样信号的随机子集的情况。一个重新计算过程被用来重建非均匀采样的信号。统计实例的方法进行说明。
2015-04-26 cs.IT math.IT
Local Measurement and Reconstruction for Noisy Graph Signals
图上信号处理这一新兴领域在处理与网络相关的信号和信息方面发挥着越来越重要的作用。现有的工作已经表明,在某些条件下,可以从其抽取中唯一地重建平滑图形信号,即,与顶点的子集相关联的数据。然而,在一些潜在的应用中(例如,具有聚类结构的传感器网络),所获得的数据可以是与几个顶点相关联的信号的组合,而不是抽取。本文提出了局部测量的概念,它是抽取的推广。利用局部测量值,提出了一种基于局部集的迭代局部测量重建方法(ILMR)来重建带限图信号。实验证明,在一定条件下,ILMR可以很好地重建原始信号。从理论上分析了ILMR的抗噪声性能。在最小化期望重构误差的意义下,给出了局部权值的最优选择和局部集划分的贪心算法。与抽取相比,所提出的局部测量采样和重构方案在噪声存在的情况下具有更强的鲁棒性。
2015-04-07 cs.IT math.IT
Sparse Signal Reconstruction with QUBO Formulation in l0-regularized Linear Regression
基于二次无约束二进制优化(QUBO)公式,实现了稀疏信号重构的l0正则化线性回归。在该方法中,信号值被量化并表示为比特序列。通过将l0-范数变换为这些位的二次形式,提供了完全二次目标函数,并由专门用于QUBO的求解器(诸如量子退火器)优化。在商用量子退火机上的数值实验表明,在一定条件下,该方法的性能略优于基于正交匹配追踪(OMP)和最小绝对收缩选择算子(LASSO)的传统方法.
2022-02-26 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
A representation of non-uniformly sampled deterministic and random signals and their reconstruction using sample values and derivatives
香农在1949年的论文中建议使用导数来增加采样信号的W*T乘积。导数的使用使得能够改进重构,特别是在非均匀采样信号的情况下。讨论了Lagrange/Hermite型插值的FM-AM表示及其重构技术。使用多项式和多项式的指数的乘积的表示可扩展到二维。在直接可用信息不足的情况下,研究了基于高斯滤波噪声相关特性的信号及其导数的估计方法。这需要计算不完全的正规积分。用于减少多元正态变量的减少方法包括多级分割、动态路径积分和Hermite展开,用于计算估计信号的平均值及其在零交叉或阈值交叉之间的中间点处的导数所需的概率积分。利用测量或估计的信号及其导数以期望的采样率重构信号。
2009-05-04 cs.IT math.IT
A stochastic gradient approach on compressive sensing signal reconstruction based on adaptive filtering framework
基于稀疏信号重构与系统辨识在方法上的相似性,提出了一种新的压缩感知(CS)稀疏信号重构方法。该方法采用了基于随机梯度的自适应滤波框架,这是通常用于系统辨识,以解决稀疏信号的重建问题。为此,介绍了两种典型的算法:$l_0$ -最小均方($l_0$ -LMS)算法和$l_0$ -指数遗忘窗LMS($l_0$ -EFWLMS)算法。这两种算法都利用零吸引方法,该方法通过最小化所研究信号的$l_0$范数的连续近似来实现。为了提高这些算法的性能,还采用了一种$l_0$ -零吸引投影($l_0$ -ZAP)算法,有效地加快了算法的收敛速度,使其比现有的其他算法快得多。所提出的方法的优点,例如其对噪声的鲁棒性等,通过数值实验证明。
2013-03-09 cs.IT math.IT
Regularized Modified BPDN for Noisy Sparse Reconstruction with Partial Erroneous Support and Signal Value Knowledge
我们研究的问题稀疏重建噪声欠采样测量时,以下两件事是可用的。(1)我们得到的是信号支持度的部分知识和部分错误知识,用$T$表示。(2)我们还给出了$T$上的信号值的错误估计,由$(\hatμ)_T$表示。在实践中,这两种方法都可以从现有的现有知识中获得。可替换地,在递归重建应用中,如实时动态MRI,可以使用来自先前时刻的支持估计和信号值估计作为$T$和$(\hatμ)_T$。在这项工作中,我们介绍了正则化的修改BPDN(reg-mod-BPDN),并获得其重建误差的可计算范围。Reg-mod-BPDN尝试找到集合$T$之外最稀疏的信号,同时与$T$上的$(\hatμ)_T$“足够接近”并满足数据约束。相应的结果修改后的BPDN和BPDN遵循的直接推论。第二个关键的贡献是一种方法来获得可计算的错误界,没有任何充分条件。这使得比较各种方法的界限变得容易。还提供了与许多现有方法的经验重建误差比较。
2012-03-27 cs.IT math.IT
A Distributed Tracking Algorithm for Reconstruction of Graph Signals
针对复杂网络中节点算力受限的问题,提出DLSR分布式迭代算法,利用邻节点通信与衰减机制重构时变带限图信号,并给出收敛性与误差界证明及实验验证。
2015-02-10 cs.IT math.IT
Modified Frame Reconstruction Algorithm for Compressive Sensing
压缩感测是一种使用线性测量算子对远低于奈奎斯特速率的信号进行采样的技术。在本文中,我们提出了一种算法,给出这样一组测量信号重建。该算法推广和扩展了以往的迭代硬阈值算法,并给出了成功重建原始数据信号的充分条件。此外,我们表明,通过低估的数据信号的稀疏性,我们可以提高算法的成功率。我们还提出了一些修改该算法:纳入最小二乘步骤,多项式加速和自适应方法选择的步长。这些修改后的算法收敛到正确的解决方案,在类似的条件下,原来的未修改的算法。经验证据表明,这些修改大大提高了成功率和收敛速度,并且可以优于以前用于压缩感知信号重建的其他算法。
2009-06-05 cs.IT math.IT
Local-set-based Graph Signal Reconstruction
基于图的信号处理正受到越来越多的关注。对于低频子空间中的图形信号,可以通过利用图形信号的平滑度来通过采样数据重建与未采样顶点相关联的缺失数据。本文引入局部集的概念,提出了两种基于局部集的迭代法,用于由采样数据重构带限图信号。在每次迭代中,所提出的方法之一重新加权不同顶点的采样残差,而另一个传播的采样残差在各自的本地集。这些算法是建立在框架理论和局部集的概念,在此基础上提出了几个框架和收缩算子。然后,我们证明了重建方法在一定条件下收敛到原始信号,并证明了新方法导致比基线方法更快的收敛速度。此外,本文还全面分析了图形信号采样与时域不规则采样的对应关系,为图形信号的进一步研究提供了参考。进行了计算机模拟。实验结果表明,在不同的采样几何形状,不精确的先验知识的截止频率,和噪声的情况下的重建方法的有效性。
2015-02-24 cs.IT math.IT
Feedback Acquisition and Reconstruction of Spectrum-Sparse Signals by Predictive Level Comparisons
在这封信中,我们提出了一个稀疏促进反馈采集和重建方案的感知,编码和随后的重建频谱稀疏信号。在所提出的方案中,频谱分量估计利用稀疏促进,滑动窗口算法在反馈回路。利用所估计的频谱分量,预测电平信号并且获取预测误差的符号测量。稀疏性提升算法然后可以从符号测量迭代地估计频谱分量。与许多基于批处理的压缩感知(CS)算法不同,我们提出的算法利用滑动窗口技术逐渐估计并跟踪稀疏分量的缓慢变化。我们还考虑的情况下,可能翻转错误的符号位传播沿迭代(由于反馈回路)在重建。我们提出了一个迭代纠错算法,以应付这种错误传播现象,考虑到二进制稀疏发生模型的错误序列。仿真结果表明,所提出的方案与文献相比,有效的性能。
2017-11-27 cs.IT math.IT
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
Signal reconstruction in linear mixing systems with different error metrics
我们考虑在线性混合系统中从噪声测量中重建信号的问题。重建性能通常由标准误差度量(如平方误差)量化,而我们考虑任何加性误差度量。在假设松弛置信传播(BP)可以计算大系统极限下的后验的情况下,我们提出了一种简单、快速和高度通用的算法,该算法通过最小化用户定义的误差度量来重建信号。对于两个示例指标,我们提供了性能分析和令人信服的数值结果。最后,我们的算法可以进行调整,以尽量减少$\ell_\infty$的错误,这是不加。有趣的是,$\ell_{\infty}$最小化仅需要将维纳滤波器应用于松弛BP的输出。
2013-02-02 cs.IT math.IT
Signal Prediction by Derivative Samples from the Past via Perfect Reconstruction
Indian Institute of Technology Dhanbad(印度技术学院丹巴德);Indian Institute of Technology Bombay(印度技术学院孟买)
本文提出了一种通过导数样本进行信号预测的方法,利用移不变空间中的完美重建理论,结合周期非均匀采样和紧支撑函数,实现高效信号重建与验证。
2025-12-25 cs.IT math.IT
Fast and Provable Algorithms for Spectrally Sparse Signal Reconstruction via Low-Rank Hankel Matrix Completion
$r$阶的频谱稀疏信号是$r$阻尼或无阻尼复正弦曲线的混合。本文研究了从$n$规则时域样本的随机子集重构谱稀疏信号的问题,该问题可以转化为一个低秩Hankel矩阵完备化问题。我们介绍了一种迭代硬阈值(IHT)算法和一种快速迭代硬阈值(FIHT)算法,通过低秩Hankel矩阵完成频谱稀疏信号的有效重建。已经建立了FIHT的理论回收率保证,表明$O(r^2\log^2(n))$样品数量足以实现高概率的精确回收。经验性能比较建立显着的计算优势IHT和FIHT。特别是,在$3$ D阵列上的数值模拟证明了FIHT处理大规模和高维真实数据的能力。
2016-06-05 cs.IT math.IT
Stable Phaseless Sampling and Reconstruction of Real-Valued Signals with Finite Rate of Innovations
空间信号由其在整个域上的评估来定义。在本文中,我们考虑稳定重建的实值信号的有限创新率(FRI),直到一个符号,从他们的幅度测量的整个域或他们的无相样本的离散子集。FRI信号在磁共振波谱、超宽带通信、心电图等工程应用中有着广泛的应用。对于FRI信号,我们引入一个无向图来描述其拓扑结构。我们建立了FRI信号的图连通性和相位可恢复性之间的等价性,并且我们应用图连通分量分解来找到与原始FRI信号具有相同幅度测量的所有FRI信号。我们明确地构造具有有限密度的离散集,使得整个域上的FRI信号的幅度测量由它们在这些离散子集上所取的样本来确定。在本文中,我们还提出了一个稳定的算法,线性复杂度从他们的无相采样上述无相采样集上的无相样本重构FRI信号。该算法的理论和数值证明,提供一个次优近似原始FRI信号的幅度测量。
2018-01-17 cs.IT math.IT
Reconstruction Error Bounds for Compressed Sensing under Poisson or Poisson-Gaussian Noise Using Variance Stabilization Transforms
大多数现有的从压缩测量的信号重建的界限假设的附加信号无关的噪声。然而,在许多压缩成像系统中,噪声统计由泊松或泊松-高斯噪声模型更准确地表示。在本文中,我们推导出上界的信号重建误差从压缩测量被破坏的泊松或泊松-高斯噪声。我们的界的特点如下:(1)给出了一个概率激励的,计算上易处理的凸估计量的界。该估计器惩罚信号稀疏性受到的约束,施加上界的方差稳定变换的基础上的一项近似的泊松或泊松-高斯负对数似然。(2)它们适用于稀疏以及可压缩的信号在任何正交基,并推导出压缩系统服从现实的约束,如非负性和通量保存。我们提出了广泛的数值计算结果下的信号重建不同数量的测量和不同的信号强度水平。
2018-02-12 cs.IT math.IT
Spatially Distributed Sampling and Reconstruction
空间分布式系统包含大量的代理有限的传感,数据处理和通信能力。最近的技术进步为部署空间分布式系统进行信号采样和重建开辟了可能性。在本文中,我们介绍了一个图形结构的分布式采样和重建系统的耦合剂在空间分布系统与创新的位置的信号。采样理论中的一个基本问题是在采样噪声存在的情况下信号重构的鲁棒性。对于分布式采样与重构系统,鲁棒性可归结为传感矩阵的稳定性。在传统的集中式采样与重构系统中,传感矩阵的稳定性可以通过其中央处理器来验证,而在分布式采样与重构系统中,由于系统是分散的,上述过程是不可行的。在本文中,我们分裂成一个家庭的重叠较小的子系统的分布式采样和重建系统,我们证明了传感矩阵的稳定性保持当且仅当其准限制这些子系统具有一致稳定性。这个新的稳定性准则可能是关键的鲁棒分布式采样和重建系统的设计,对补充,更换和损害的代理,因为我们只需要检查受影响的子系统的一致稳定性。在本文中,我们还提出了一个指数收敛的分布式算法的信号重建,提供了一个次优逼近的原始信号中存在的有界采样噪声。
2015-11-27 cs.IT math.IT
Sparsity Promoting Reconstruction of Delta Modulated Voice Samples by Sequential Adaptive Thresholds
在本文中,我们提出了家庭的迭代法与自适应采样保持(IMAT)稀疏促进重建的增量调制(DM)的语音信号。我们提出了一种新的缺失采样方法,增量调制,有利于稀疏促进重建的原始信号从一个子集的DM样本具有较少的量化噪声。利用我们提出的缺失采样方法的增量调制,我们提供了一个分析讨论的DM编码技术的IMAT的收敛性。本文还对基本的IMAT算法进行了改进,提出了自适应保持迭代法迭代法(IMATDM)算法,以提高DM编码信号的重构性能。实验结果表明,在重建信噪比方面,该方法优于传统的基于低通滤波的DM重建技术。据观察,从传统的低通重建技术迁移到稀疏促进重建技术的IMATDM,重建性能提高了平均7.6分贝。这是由于所提出的IMATDM同时利用稀疏信号假设和通过平滑的量化噪声抑制效果。所提出的IMATDM算法也优于其他一些稀疏促进重建方法。
2020-02-08 cs.IT math.IT
The benefits of acting locally: Reconstruction algorithms for sparse in levels signals with stable and robust recovery guarantees
水平稀疏模型最近启发了新一代有效的压缩成像采集和重建模式。此外,它自然出现在信号处理的各个领域,如并行采集,雷达和稀疏腐败问题。稀疏同层信号的重构策略通常依赖于合适的凸优化程序。值得注意的是,虽然迭代和贪心算法可以优于凸优化的计算效率方面,并已被广泛研究的情况下,标准稀疏,很少有人知道他们的推广到稀疏的水平设置。在本文中,我们弥合这一差距,显示新的稳定和强大的统一恢复保证稀疏的迭代硬阈值和CoSaMP算法的水平变化。我们的理论分析概括了目前可用的恢复保证的情况下,标准的稀疏性和有利地比较稀疏的水平保证加权$\ell^1$最小化。此外,我们还提出了一种扩展的正交匹配追踪算法,并进行了数值试验。
2021-05-11 cs.IT math.IT
Accurate Reconstruction of Finite Rate of Innovation Signals on the Sphere
提出了一种在球面上精确重构非带限有限速率新息信号的方法。对于由有限数目的狄拉克函数的球上的信号,我们开发了一种基于零化滤波器的方法,使用有限数目的带限信号的观测值的狄拉克函数的参数的准确恢复。在现有的技术相比,所提出的方法,使更准确的重建,主要是由于更好地调节系统中涉及的参数的恢复。为了恢复球上的$K$ Diracs,该方法要求信号样本在SH阶等于或大于$ K + \sqrt{K + \frac{1}{4}} - \frac{1}{2}$的球谐SH域中被带限.与现有的最先进的技术相比,所需的带宽限制,因此,所提出的方法的样本的数量是相同的或less.We还进行数值实验证明,所提出的技术是更准确的比现有的方法的一个因素$10^{7}$或更多的$2 \le K\le 20$。
2016-12-19 cs.IT math.IT
ECME Thresholding Methods for Sparse Signal Reconstruction
我们提出了一个概率框架解释和发展硬阈值稀疏信号重建方法,并提出了几个新的算法基于这个框架。测量遵循欠定线性模型,其中回归系数向量是未知确定性稀疏信号分量和具有未知方差的零均值白高斯分量的和。我们首先推导出一个期望条件最大化(ECME)迭代,保证收敛到一个局部最大值的未知参数的似然函数为一个给定的信号稀疏水平。为了分析重建精度,我们引入了最小稀疏子空间商(SSQ),这是一种比公认的限制等距属性(RIP)更灵活的采样算子度量。我们证明,如果最小SSQ是足够大的,ECME实现完美的或接近最佳的恢复稀疏或近似稀疏的信号,分别。我们还提出了一个双超松弛(DORE)阈值方案,用于加速ECME迭代。如果信号的稀疏性水平是未知的,我们引入了一个无约束稀疏性选择(USS)标准,其选择和显示,在一定条件下,应用此标准是相当于找到稀疏的解决方案的基本欠定线性系统。最后,我们提出了我们的自动双超松弛(ADORE)阈值的方法,利用USS标准来选择信号的稀疏水平。我们应用所提出的计划重建稀疏和近似稀疏的信号从层析投影和压缩样本。
2010-11-05 cs.IT math.IT
Compressed Sensing with Linear Correlation Between Signal and Measurement Noise
现有的基于凸松弛的压缩感知重构方法假设测量中的噪声与感兴趣的信号无关。我们认为噪声与信号线性相关的情况下,并介绍了一种简单的技术,用于改善压缩感知重建从这样的测量。该技术是基于加性噪声与信号的相关性的线性模型。基于该模型的重建算法的修改是非常简单的,并且与标准重建算法相比具有可忽略的额外计算成本,但是在现有文献中是未知的。所提出的技术大大减少了重建误差的情况下,线性相关的测量和噪声。数值实验证实了该技术的有效性。该技术被证明与应用到低速率量化的压缩测量,这是已知的引入相关的噪声,并改善重建误差相比,普通的基追踪去噪高达约7分贝观察1位/样本量化。此外,所提出的方法相比,它被证明优于重建误差的稀疏信号的非零系数的数量大于约1/10的压缩测量值的数量方面的二进制迭代硬采样保持。
2013-11-07 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
Statistical mechanical assessment of a reconstruction limit of compressed sensing: Toward theoretical analysis of correlated signals
我们提供了一个方案,探索压缩感知的重建极限,通过最小化一般成本函数下的随机测量约束的通用相关信号源。我们的计划是基于统计机械副本方法处理随机系统。作为一个简单但重要的例子,我们将该方案应用于稀疏自回归模型,其中相关时间序列的输入信号的第一个差异是稀疏的,并评估完美重建的临界压缩率。结果与信号重建的数值实验吻合良好。
2011-07-01 cond-mat.dis-nn 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
Radon random sampling and reconstruction in local shift-invariant signal space
School of Mathematics, Sun Yat-sen University(中山大学数学学院);Guangdong Province Key Laboratory of Computational Science(广东省计算科学重点实验室)
本文研究局部平移不变信号空间中Radon变换前随机采样与重构问题,证明采样集在足够样本量下高概率稳定,并基于Radon变换数据建立显式信号重构公式。
2025-11-04 cs.IT math.IT math.OC
Bayesian signal reconstruction for 1-bit compressed sensing
1比特压缩感测框架使得能够从其线性变换的每个条目的符号信息恢复稀疏向量x。丢弃幅度信息可以显著减少数据量,这在实际应用中是非常有利的。本文提出了一种基于贝叶斯理论的1比特压缩感知信号重构方法,并利用统计力学分析了该方法的典型性能。利用副本的方法,我们表明,贝叶斯方法可以更好地重建比L1-范数最小化方法,渐近饱和时获得的性能的非零条目位置的信号是已知的。我们还测试了一个消息传递算法的信号重建的基础上的信念传播。数值实验结果与理论分析结果一致。
2014-10-07 cs.IT math.IT physics.data-an
Discrete Signal Reconstruction by Sum of Absolute Values
在这封信中,我们考虑一个问题,重建一个未知的离散信号采取的值在一个有限的字母表从不完整的线性测量。这个问题的难点在于重构的计算复杂性实际上是指数级的。为了克服这个困难,我们扩展了压缩感知的思想,并提出解决问题的加权绝对值之和最小化。我们假设定义在字母表上的概率分布是已知的,并将重建问题表示为线性规划。算例表明了该方法的有效性。
2015-03-18 cs.IT math.IT math.OC
Comparison of some commonly used algorithms for sparse signal reconstruction
由于对信号的更快传播的过度需求以及减少测量次数和快速提高效率的必要性,已经提出了新的感测理论。遵循香农-奈奎斯特定理的传统采样方法要求采样率至少是信号最大频率的两倍。这促使科学家们研究创造一种新的路径的可能性,以使用更少的样本来恢复信号,从而加快这一过程并满足更快实现的需求。因此,出现了压缩感知方法。这一突破使得信号处理和重建变得更加容易,更不用说它具有广泛的应用。本文对几种常用的稀疏信号恢复算法进行了比较。比较了重建精度、均方误差和执行时间。
2019-02-05 cs.IT eess.SP math.IT
Sampling and Reconstruction of Signals on Product Graphs
在本文中,我们考虑的问题,二次采样和重建的信号,驻留在一个产品图的顶点,如传感器网络的时间序列,基因组信号,或在社会网络中的产品评级。具体来说,我们利用底层域的产品结构和图因子中的样本节点。所提出的方案是特别有用的处理信号的大规模产品图。采样集是使用低复杂度的贪婪算法设计的,并且可以被证明是接近最优的。为了说明所开发的理论,提供了基于真实数据集的数值实验,用于采样3D动态点云和推荐系统中的主动学习。
2018-06-30 cs.IT eess.SP math.IT
On reconstruction algorithms for signals sparse in Hermite and Fourier domains
本论文是在数字信号处理领域的原创性贡献。在不同变换域上稀疏(高度集中)信号的重构是本文分析的主要问题。所考虑的域包括傅立叶,离散厄米,一维和二维离散余弦变换,以及各种时频表示。稀疏信号重建使用稀疏性措施,是,事实上,在所考虑的域中的信号浓度的措施。本文分析了压缩感知重构算法,并提出了新的解决方法。详细研究了丢失样本对分析变换域的影响,建立了与一般压缩感知理论的联系。这项研究提供了新的见解所产生的现象,由于信号样本的数量减少。理论上的贡献包括新的精确的数学表达式,描述重建算法的性能和结果,还包括研究的影响,加性噪声,稀疏水平和可用的测量的重建性能,重建误差和错误概率的精确表达式。研究了离散Hermite变换的参数优化问题,以及加性噪声对Hermite系数的影响,提出了新的参数优化和去噪算法。此外,还介绍了一种多变量多分量信号的分解算法,以及一种基于Wigner分布的瞬时频率估计算法。大量的数值算例和实验验证了所提出的理论,并揭示了新的实际应用的结果。
2019-09-17 cs.IT eess.SP math.IT
Fusion of Sparse Reconstruction Algorithms for Multiple Measurement Vectors
我们认为,从多个测量向量共享一个共同的支持稀疏信号的恢复。为此任务开发的几种算法的性能取决于参数,如稀疏信号的维数,测量向量的维数,稀疏水平,测量噪声。我们提出了一个融合框架,其中多个测量矢量重构算法参与和最终的信号估计是通过组合的信号估计的参与算法获得。我们提出了实现更好的重建性能比参与算法的条件。数值仿真表明,该融合算法往往优于参与算法。
2015-04-06 cs.IT math.IT stat.ME
Reconstruction of Graph Signals through Percolation from Seeding Nodes
提出了一种新的方案来恢复图中节点定义的信号。我们的重点是重建带限图信号,这是信号,承认在频域中的稀疏表示相关的图的结构。大多数现有的公式专注于通过观察节点子集上的值来估计未知的图信号。相比之下,在本文中,我们研究的问题,重建一个已知的图形信号作为输入的图形信号是非零的节点(种子节点)的一个小子集。然后使用图形滤波器在图形上对稀疏信号进行插值(内插)。图滤波器是经典时不变系统的推广,表示可以在图的节点上分布式实现的线性变换。三个设置进行了调查。在第一种情况下,在图中的几个节点上同时进行单个注入。在第二种情况下,连续的值注入发生在单个节点上。第三种是多个节点注入多个信号值的泛化。对于无噪声的设置,条件下,完美的重建是可行的,并指定相应的计划,以恢复所需的信号。还分析了由于信号值注入不足或噪声而导致不完美重建的情况。此外,在时域中与经典插值的连接进行了讨论。本文的最后一部分介绍了数值实验,说明了通过合成图信号和两个现实世界的信号重建问题开发的结果:影响社会网络中的意见和诱导人类所需的大脑状态。
2015-07-30 cs.IT cs.SI math.IT
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
Structured sampling and fast reconstruction of smooth graph signals
这项工作涉及采样的光滑信号的任意图。我们首先研究了结构化的采样策略,这样的光滑的图形信号,包括随机选择的几个预定义的节点组。通过称为\emph{group}图累积相干性的量来驱动要采样以稳定地嵌入$k$带限信号集合的组的数量。对于一些优化的采样分布,我们表明,采样$O(k\log(k))$组总是足以稳定地嵌入一组$k$ -带限信号,但这个数字可以更小-下降到$O(\log(k))$ -取决于节点组的结构。快速的方法来近似这些抽样分布的详细说明。其次,我们考虑$k$ -带限信号,几乎是分段恒定的预定义组的节点。我们表明,这是可能的,以加快重建这样的信号,通过大幅减少的向量的维数进行重建。当结合所提出的结构化采样过程中,我们证明了该方法提供了稳定和准确的原始信号的重建。最后,我们提出了数值实验来说明我们的理论结果,并作为一个例子,展示了如何结合这些方法在图像中使用超像素的交互式对象分割。
2017-02-26 cs.IT cs.SI math.IT
Signal Reconstruction from Interferometric Measurements under Sensing Constraints
本文提出了一个统一的框架,从干涉测量信号重建,是广泛适用于各种应用的干涉。在此框架下,干涉测量中的信号重构问题实质上是基分析问题。它的适用性扩展到传统的时间干涉,利用干涉仪的两个臂之间的相对延迟,任意自由度的输入信号。这允许重构在其它域(例如,空间的),除了用广义延迟替换标准时间延迟之外,不修改底层结构,广义延迟即,基本元素是本征函数的实际可实现的酉变换。根据所提出的模型,干涉测量被证明是线性的基础系数,从而使有效和快速恢复所需的信息。虽然相应的线性变换只有有限数量的自由度设置的干涉仪的结构引起的高度约束的传感结构,我们表明,从这样的测量信号恢复的问题仍然可以进行压缩。这意味着样本复杂度的显著降低,而不引入任何额外的随机化,如通常在利用压缩感测技术的现有工作中所做的那样。我们提供的性能保证约束下的传感证明,变换满足充分条件,成功地重建稀疏信号的浓度参数。我们展示了所提出的方法的有效性,使用模拟结果,以及实际的实验结果的背景下,空间光束的光学模式分析。
2017-06-30 cs.IT math.IT physics.optics
Guided Signal Reconstruction with Application to Image Magnification
University of Southern California(南加州大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出利用引导子空间进行信号重建,通过共轭梯度法开发迭代算法,实现低内存和计算成本的最优重建,应用于图像放大时效果优于其他方法。
2015-09-08 cs.IT cs.NA math.IT
Recovery of Binary Sparse Signals from Structured Biased Measurements
本文研究了由部分随机循环测量重构二进制稀疏信号的问题。我们表明,通过最小二乘算法的重建是一样好的重建,通过通常使用的程序基追求。我们进一步表明,我们需要尽可能多的测量,以恢复一个$s$ -稀疏信号$x_0\in\mathbb{R}^N$,因为我们需要恢复一个密集的信号,更准确地说,一个$N-s$ -稀疏信号$x_0\in\mathbb{R}^N$。我们进一步建立稳定的噪声测量。
2020-06-26 cs.IT math.FA math.IT
Iterative Bayesian Reconstruction of Non-IID Block-Sparse Signals
提出了一种新的块迭代贝叶斯算法(Block-IBA),用于重构具有未知块结构的块稀疏信号。与现有的用于块稀疏信号恢复的算法不同,现有的算法假设未知信号的非零元素的簇结构是独立同分布的(i.i.d.),我们使用更现实的Bernoulli-Gaussian隐马尔可夫模型(BGHMM)来表征非独立同分布。在实践中经常遇到的块稀疏信号。块IBA迭代估计块稀疏信号的幅度和位置使用最陡上升的期望最大化(EM),并通过自适应阈值最优地选择块稀疏信号的非零元素。分析并证明了Block-IBA算法的全局收敛性,并通过数值实验和模拟仿真验证了Block-IBA算法的有效性。
2014-12-07 cs.IT math.IT stat.ML
Statistical physics-based reconstruction in compressed sensing
压缩感知正在引发信号采集的重大变革。它包括以低速率采样稀疏信号,然后使用计算能力进行精确重建,以便仅测量必要的信息。然而,当前使用的重建技术限于大于信号的真实密度的采集速率。我们设计了一个新的程序,这是能够重建的信号与一些测量,接近理论极限的大系统的限制。它是基于联合使用的三个基本成分:一个概率的信号重建方法,一个消息传递算法,适应于信念传播,并仔细设计的测量矩阵的晶体成核理论的启发。用统计物理方法分析了该算法的性能。几种情况下的数值研究证实了所获得的改善。
2012-06-06 cond-mat.stat-mech cs.IT math.IT
Sampling and Reconstruction of Signals in a Reproducing Kernel Subspace of $L^p({\Bbb R}^d)$
本文研究了在$L^p(\Rd), 1\le p\le \infty$的再生核子空间中信号的采样与重构问题,该再生核子空间中的积分算子具有非对角衰减性和正则性. $p$ -可积非均匀样条空间和由多个局部化函数生成的平移不变空间是$L^p(\Rd)$再生核子空间的典型例子。我们表明,在这样的再生核子空间中的信号可以重建在一个稳定的方式,从它的样本上采取一个相对分离的集足够小的差距。我们还研究了指数收敛性,一致性,和渐近逐点误差估计的迭代近似投影算法和迭代框架算法重建的信号在这些再生核空间从它的样本具有足够小的差距。
2009-11-04 cs.IT math.FA 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 Reconstruction via H-infinity Sampled-Data Control Theory: Beyond the Shannon Paradigm
University of Florida(佛罗里达大学);Kyoto University(京都大学)
本文提出基于采样数据控制理论的新信号重构方法,通过稳定离散时间滤波器将问题转化为模拟性能优化问题,采用H无穷性能准则考虑采样间行为,提供稳定因果最优解计算方法,并讨论音频和图像重构应用。
2013-08-09 cs.IT cs.SY eess.SY
Phaseless Sampling and Reconstruction of Real-Valued Signals in Shift-Invariant Spaces
University of Central Florida(中佛罗里达大学);Guilin University of Electronic Technology(桂林电子科技大学)
本文研究了在位移不变空间中通过全欧几里得空间上的幅度测量和有限采样密度的离散集上的无相位样本进行实值信号的无相位采样与重构,提出了一种基于图的重构算法,并通过数值模拟验证了其鲁棒性。
2017-02-21 cs.IT cs.NA math.IT
FFT reconstruction of signals from MIMO sampled data
本文提出基于MIMO采样数据的信号重建方法,证明周期带限信号可从MIMO输出样本中完美重建,并设计FFT算法统一FFT插值与多通道插值,同时分析混叠误差与噪声性能。
2024-08-21 cs.IT eess.SP math.CA
Inter-atom Interference Mitigation for Sparse Signal Reconstruction Using Semi-blindly Weighted Minimum Variance Distortionless Response
University of Electronic Science and Technology of China(电子科技大学)
针对冗余字典中原子间干扰影响稀疏信号重建可行性的问题,提出半盲加权最小方差无失真响应(SBWMVDR)方法抑制干扰,在波达方向估计中基于SBWMVDR的正交匹配追踪(OMP)优于普通OMP算法。
2010-06-01 cs.IT cs.NA math.IT
Phase-only signal reconstruction by MagnitudeCut
Southeast University(东南大学);INSERM, U1099(法国国家健康与医学研究院,U1099);Université de Rennes 1(雷恩第一大学);Centre de Recherche en Information Biomédicale Sino-Français (CRIBs)(中法生物医学信息研究中心)
本文提出了一种名为幅度裁剪的算法,用于从信号傅里叶变换的相位恢复信号。通过将恢复问题转化为新的凸优化问题,并利用块坐标下降算法和内点算法求解,实验表明该方法在相同重建误差下,比贪心算法和迭代方法使用更少的相位采样数。
2016-03-01 cs.IT cs.NA math.IT