MRF denoising with compressed sensing and adaptive filtering
最近提出的磁共振指纹（MRF）技术可以同时估计多个参数，通过字典匹配。它具有广阔的应用前景。然而，MRF由于在数据采集过程期间的欠采样和字典分辨率的限制而引入误差。本文研究了磁流变液的误差来源，提出了利用压缩感知、决策树误差预测和自适应滤波技术来提高磁流变液质量的方法。实验结果支持我们的观察，并显示所提出的技术的显着改善。
2014-01-03 cs.IT math.IT
Adaptive Compressive Spectrum Sensing for Wideband Cognitive Radios
本文提出了一种自适应频谱感知算法，该算法使用亚奈奎斯特采样率检测宽带频谱。该算法利用压缩感知（CS）的优点，从压缩样本中重构宽带频谱。此外，提出了一种l2范数验证方法，使认知无线电（CR）自动终止信号采集，一旦当前的频谱恢复是令人满意的，从而提高CR吞吐量。仿真结果表明，该算法不仅缩短了频谱感知间隔，而且提高了宽带CR的吞吐量。
2013-02-07 cs.IT math.IT
High-quality Image Restoration from Partial Mixed Adaptive-Random Measurements
一种新的框架，以构建一个有效的传感（测量）矩阵，称为混合自适应随机（MAR）矩阵，直接获得压缩图像表示。混合采样（感测）过程将从低分辨率图像中提取的自适应边缘测量值与为待恢复的高分辨率图像预定义的均匀随机测量值混合。混合感知矩阵无缝地捕捉图像的重要信息，同时近似满足约束等距性。为了从MAR测量中恢复高分辨率图像，采用基于压缩感知理论的全变分算法求解拉格朗日正则化问题。峰值信噪比和结构相似性的结果表明，MAR感知框架表现出更好的恢复性能比完全随机感知。该工作对高性能低成本的数据采集具有重要的指导意义。
2015-04-04 cs.IT math.IT
Adaptivity provably helps: information-theoretic limits on $l_0$ cost of non-adaptive sensing
自适应和反馈的优点在信号处理和通信中引起了极大的兴趣，有许多积极和消极的结果。虽然它是建立，自适应不提供大量减少极小极大均方误差为固定数量的测量，现有的结果已经显示出几个优点的自适应重建的复杂性，支持检测的准确性，和增益的信号-噪声比，在传感能量的约束下。感测能量通常根据感测矩阵的Frobenius范数来测量。本文使用一种不同的度量，我们称之为感知矩阵的$l_0$成本--来量化感知的复杂性。因此，稀疏传感矩阵具有较低的成本。我们推导出任何非自适应传感策略的$l_0$成本的信息理论下限。我们建立了任何非自适应传感策略必须招致的$l_0$成本$Θ\left( N \log_2(N)\right) $重建$N$维，一-稀疏信号时，测量的数量被限制为$Θ\left(\log_2 (N)\right)$。相比之下，对分型自适应策略对于相等数量的测量仅需要至多$\mathcal{O}(N)$的$l_0$成本。这个问题有一个有趣的解释，作为一个球包装问题在一个多维空间，使所有的球中心有最小的非零坐标。我们还讨论了$l_0$成本的变化作为测量的数量增加从$Θ\left(\log_2 (N)\right)$到$Θ\left(N\right)$。
2016-06-23 cs.IT math.IT
Adaptive Sensing of Congested Spectrum Bands
认知无线电共同处理它们感测到的信息，以便机会主义地识别和访问未充分利用的频谱段（频谱空洞）。由于频谱占用的瞬态和快速变化的性质，认知无线电（次用户）必须在识别频谱空洞，以提高其频谱效率的敏捷。我们提出了一种新的{ \em自适应}过程，以加强敏捷性的二级用户识别{ \em多}频谱空洞同时在一个宽的频谱带。这通过连续地{ \em探索}潜在频谱空洞的集合并且{ \em渐进地}将感测资源分配给频谱的最有希望的区域来实现。这样的探索和资源分配导致感测资源的保守花费，并且转化为非常灵活的频谱监视。所提出的连续和自适应感测过程与在整个频谱上均匀分布采样资源的更传统的方法相反。除了改进的灵活性之外，自适应过程需要对主用户的功率的不太严格的约束，以保证它们保持与环境噪声的区分，并呈现更可靠的频谱空洞检测。
2012-06-07 cs.IT math.IT
Novel Realization of Adaptive Sparse Sensing with Sparse Least Mean Fourth Algorithm
非线性稀疏感知（NSS）技术已被用于实现压缩感知（CS）在许多应用中，如雷达成像和稀疏信道估计。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，基于独立的假设，Cramer-Rao下界（CRLB）推导的性能比较。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。
2014-07-23 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
Compressed Sensing for Denoising in Adaptive System Identification
提出了一种基于压缩感知理论的稀疏系统自适应辨识新方法。我们操纵发送的导频（输入信号）和接收信号，使得自适应滤波器的权重接近稀疏系统的压缩版本，而不是原始系统。为此，我们在发射端使用随机滤波器结构，根据CS框架形成测量矩阵。原始稀疏系统可以通过传统的恢复算法重建。因此，CS的去噪特性可以部署在所提出的方法在恢复阶段。实验结果表明，该方法的性能显着改善相比，传统的LMS方法，直接识别稀疏系统。此外，在低水平的稀疏性，我们的方法优于一个专门的识别算法，促进稀疏性。
2012-04-03 cs.IT math.IT
Improving Smoothed l0 Norm in Compressive Sensing Using Adaptive Parameter Selection
压缩感知中的信号重构涉及找到满足一组线性约束的稀疏解。在现有的重建算法中，已经考虑了几种解决这个问题的方法。它们各自提供重建能力和所需计算时间之间的折衷。在尝试推动这种权衡的限制，我们认为平滑的l0范数（SL0）算法在无噪声的设置。我们认为，在我们提出的自适应SL0算法中使用一组精心选择的参数可能会导致显着更好的重建能力方面的相变，同时保留现有的SL0算法所需的相同的计算时间。大量的模拟进一步支持了这一说法。模拟甚至揭示了理论上的l1曲线在相空间的主要部分可能被超越。
2013-03-14 cs.IT math.IT
Near-Optimal Adaptive Compressed Sensing
本文提出了一种简单的自适应感知和分组测试算法，用于稀疏信号恢复。该算法，被称为压缩自适应感测和搜索（CASS），被证明是接近最佳的，因为它成功地在尽可能低的信噪比（SNR）的水平，改善以前的工作在自适应压缩感知。与传统的基于随机非自适应设计矩阵的压缩感知算法一样，CASS算法只需要k log n个测量值就可以恢复n维k稀疏信号。然而，CASS在比标准压缩感测所需的小因子log n的SNR水平下成功。从构建和实现的感测操作以及计算的重建的角度来看，所提出的算法是大大低于标准的压缩感知的计算密集型。CASS也被证明是在实践中通过仿真执行得更好。据我们所知，这是第一次演示的自适应压缩感知算法与接近最佳的理论保证和优良的实际性能。本文还表明，压缩感知、分组测试和池化等方法的优势不仅仅在于减少测量或测试的数量，与非自适应直接（未压缩）感知相比，这些方法的自适应版本还可以提高检测和估计性能。
2014-04-29 cs.IT math.IT stat.ML
Constrained adaptive sensing
假设我们希望从形式为$\mathbf{y} = \mathbf{A x} + \mathbf{z}$的少量噪声线性测量中估计矢量$\mathbf{x} \in \mathbb{C}^n$，其中$\mathbf{z}$表示测量噪声。当向量$\mathbf{x}$稀疏时，意味着它仅具有具有$s \ll n$的$s$非零值，如果信噪比（SNR）足够大，则可以通过基于先前测量自适应地选择$\mathbf{A}$的行来获得$\mathbf{x}$的显著更准确的估计。在本文中，我们考虑的情况下，我们希望实现自适应的潜力，但行的$\mathbf{A}$受到物理约束。特别是，我们研究的情况下，行的$\mathbf{A}$被约束为属于一个有限的一组允许的测量向量。我们证明了自适应传感的局限性和优势，在这种约束设置。我们证明，对于某些测量合奏，自适应设计提供的好处远远低于无约束的自适应设置中可能的改进。另一方面，我们还提供了理论和经验证据，在某些情况下，适应性仍然导致大幅改善，即使在约束设置。为了说明这些潜在的收益，我们提出了实用的算法约束自适应传感利用连接到最优实验设计理论，并表明这些算法表现出良好的性能在一些有代表性的应用。
2016-07-15 cs.IT math.IT
Maximum Correntropy Adaptive Filtering Approach for Robust Compressive Sensing Reconstruction
鲁棒压缩感知（CS）重构是近年来备受关注的研究课题.鲁棒CS的目标是在非高斯（即重尾）噪声下重建稀疏信号，传统CS重建算法由于在优化中利用残差向量的$l_2$范数而可能执行得非常差。现有的鲁棒CS重建算法大多基于贪婪追踪法或凸松弛法。近年来，自适应滤波框架被引入到CS重建中，在高斯噪声下，该框架在效率和重建性能方面都表现出令人满意的性能。本文提出了一种基于自适应滤波的鲁棒CS重建算法--$l_0$正则化最大相关熵准则（$l_0$ -MCC）算法，该算法结合了自适应滤波框架和最大相关熵准则（MCC）。MCC由于其对非高斯脉冲噪声的鲁棒性和低计算复杂性，近年来被成功地应用于自适应滤波。我们从理论上分析了所提出的$l_0$ -MCC算法的稳定性。进一步提出了一种基于小批量的$l_0$ -MCC（MB- $l_0$ -MCC）算法，以加快收敛速度。通过仿真与现有的鲁棒CS重建算法进行比较，结果表明，所提出的$l_0$ -MCC和MB- $l_0$ -MCC算法的性能明显优于其他算法.
2017-06-10 cs.IT math.IT
Pushing towards the Limit of Sampling Rate: Adaptive Chasing Sampling
在各种监测应用中经常采集测量样本。为了降低感测成本，期望在使用较少样本的同时实现更好的感测质量。压缩感知（CS）技术发现它的作用时，被采样的信号满足一定的稀疏性要求。在本文中，我们调查的可能性和基本技术，可以进一步减少涉及传统CS理论的样本数量，利用基于学习的非均匀自适应采样。基于一个典型的信号检测应用程序，我们说明和评估我们的算法，个人追逐和质心追逐，不同的分布特征的信号的性能。我们提出的基于学习的自适应采样方案补充了CS领域的现有努力，不依赖于任何特定的信号重建技术。仿真结果表明，与传统的稀疏采样方法相比，该算法在保证信号重构精度的前提下，允许$46\%$使用更少的采样数，并在相同噪声条件下实现了高达$57\%$更小的信号重构误差.
2015-08-05 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
Deep Active Learning Approach to Adaptive Beamforming for mmWave Initial Alignment
本文提出了一种深度学习方法，用于在具有单路径信道的毫米波环境中的初始接入阶段的自适应和顺序波束成形设计问题。对于一个单用户的情况下，该问题相当于设计的序列感测波束形成器来学习的主要路径的到达角（AoA），我们提出了一种新的深度神经网络（DNN），设计的自适应传感矢量顺序的基础上，到目前为止在基站（BS）。通过认识到AoA后验分布是解决初始接入问题的充分统计量，我们使用后验分布作为所提出的DNN的输入，用于设计自适应感知策略。然而，当信道衰落系数未知时，计算后验分布可能在计算上具有挑战性。为了解决这个问题，本文提出了使用衰落系数的估计来计算后验分布的近似。此外，本文表明，所提出的DNN可以处理实际的波束成形约束，如恒模约束。数值结果表明，与现有的自适应和非自适应波束形成方案相比，所提出的基于DNN的自适应感知策略实现了显着更好的AoA捕获性能。
2021-05-21 cs.IT math.IT
An Adaptive cmWave/FR3 Channel Sounder for Integrated Sensing and Communication
本文提出一种面向通感一体化的自适应厘米波/FR3信道探测系统，具备高分辨率、高灵敏度与可重配置特性，适用于多类信道测量与通感实验场景。
2025-09-30 cs.IT math.IT
Reconfigurable Adaptive Channel Sensing
通道感测包括不时探测通道以检查它是否处于活动状态（例如，由于传入消息）。当通信是稀疏的，信息在很长一段时间内发送一次时，信道感知成为能量消耗的重要来源。如何可靠地检测消息，同时最大限度地减少接收方的能耗？本文通过一种称为AdaSense的可重构方案来解决这个问题，该方案利用了接收机噪声系数（即，接收机增加了噪声）和接收机功耗;较高的功率通常转化为较少噪声的信道观测。AdaSense以低功耗、低可靠性模式开始，并根据一些信道观察结果做出第一个尝试性决定。如果消息被声明，则它切换到高功率高可靠性模式以确认该决定，否则它在第二阶段的整个持续时间内休眠。与诸如BMAC协议等突出的检测方案相比，AdaSense提供了相对能量增益，随着通信变得稀疏，该相对能量增益在小概率的虚警机制中无限增长。在非渐近制度的能量增益是30%至75%的通信场景中通常发现的唤醒接收器的上下文中。
2021-04-26 cs.IT math.IT
Adaptive low rank and sparse decomposition of video using compressive sensing
Rutgers University（罗格斯大学）；Bell Labs（贝尔实验室）；National University of Singapore（新加坡国立大学）；Rice University（莱斯大学）
我们解决的问题，重建和分析监控视频使用压缩感知。我们提出了一种新的方法，进行视频重建的低秩和稀疏分解自适应。背景减除成为重建的一部分。在我们的方法中，使用背景模型，其中背景是自适应学习的压缩测量进行处理。自适应方法具有低延迟，并且比以前的方法更鲁棒。我们将提出实验结果来证明所提出的方法的优点。
2013-05-31 cs.CV cs.IT math.IT
Adaptive sensing using deterministic partial Hadamard matrices
本文研究了具有给定概率分布的随机向量保持熵的确定性矩阵的构造。特别是，它表明，对于随机向量具有i.i.d.离散分量，这是通过选择Hadamard矩阵的行子集来实现的，使得（i）选择是确定性的（ii）所选行的分数为零。与此相反，它表明，对于随机向量与i.i.d.连续的组件，没有部分阿达玛矩阵的减少维允许保持熵。这些结果与Wu-Verdu关于几乎无损模拟压缩的结果一致。然而，本文的动机是阿达玛矩阵的复杂性属性，它允许使用高效和稳定的重建算法。证明技术是基于极性码鞅参数和一个新的熵功率不等式的整数值随机变量。
2012-02-29 cs.IT math.IT
Millimeter Wave MIMO Channel Estimation Based on Adaptive Compressed Sensing
多输入多输出（MIMO）系统非常适合于毫米波（mmWave）无线通信，其中由于微小的波长，大的天线阵列可以集成在小的形状因子中，从而在支持空间复用、波束成形或天线分集的同时提供高的阵列增益。已经表明，由于主要传播路径的数量有限，mmWave信道表现出稀疏性，因此可以利用压缩感知技术来在mmWave频率处进行信道估计。该文提出了一种基于连续基追踪（CBP）概念的稀疏信道估计波束形成字典矩阵的新方法，并提出了两种利用信道稀疏性自适应估计毫米波多径信道参数的低复杂度算法。我们验证了所提出的基于CBP的波束形成字典和两种算法的性能，使用模拟器建立在三维毫米波统计空间信道模型，NYUSIM，这是基于真实世界的传播测量。仿真结果表明，基于CBP的字典比基于网格的字典具有更高的估计精度和更高的频谱效率，与现有算法相比，本文提出的算法具有更好的性能，但需要更少的计算量。
2017-03-31 cs.IT math.IT
Pathwise Information Certificates for Decentralized Adaptive Sensing
MIT Lincoln Laboratory（麻省理工学院林肯实验室）
本研究提出基于Rényi--Chernoff信息的路径证书，用于认证去中心化自适应感知系统，证明信息线性增长可实现指数误差衰减，并揭示最差竞争者作为性能瓶颈。研究结果提供了一种利用实际收集证据来认证和诊断自适应多智能体感知系统的实用方法。
2026-10-08 cs.IT cs.LG math.IT
Robust Binary Fused Compressive Sensing using Adaptive Outlier Pursuit
我们提出了一种新的方法，{ \it鲁棒二进制融合压缩感知}（RoBFCS），从1位压缩测量恢复稀疏分段平滑信号。该方法是对基于{ \it二元迭代硬阈值}（BIHT）算法的{\it二元融合压缩感知}（BFCS）算法的改进。与BIHT一样，目标函数的数据项是单侧$\ell_1$（或$\ell_2$）范数。实验结果表明，该算法能够充分利用原始信号的分段平滑性，检测并纠正符号翻转，比BFCS和BIHT算法恢复得更准确。
2014-03-20 cs.CV cs.IT math.IT
DASS: Distributed Adaptive Sparse Sensing
无线传感器网络通常被设计为执行两项任务：感知物理场并将数据传输给最终用户。无线传感器网络设计的一个关键方面是最小化整体能耗。以前的研究人员旨在优化通信所花费的能量，而大多忽略了由于传感而产生的能量成本。最近，已经表明，考虑感测能量成本可以有利于进一步提高整体能量效率。更准确地说，稀疏感知技术被提出来减少收集的样本量，并通过使用数据统计来恢复丢失的数据。虽然大多数这些技术使用固定或随机的采样模式，我们建议自适应地学习信号模型的测量和使用该模型来安排何时何地采样的物理场。所提出的方法需要最小的板上计算，没有节点间的通信，仍然取得了吸引人的重建性能。通过对真实世界数据集的实验，我们证明了传统传感方案和最先进的稀疏传感方案的显着改进，特别是当测量数据具有较强的传感器内（时间）或传感器间（空间）相关性时。
2013-11-07 cs.IT cs.NI math.IT
Performance Guarantees for Adaptive Estimation of Sparse Signals
本文研究了自适应感知估计的非零幅度的稀疏信号的目的是提供分析保证的性能增益，由于自适应资源分配。我们考虑以前提出的最优两阶段的政策分配传感资源。对于正幂q，我们推导出严格的上界的平均qth功率误差产生的最佳两阶段的政策和相应的下界的改善非自适应均匀感测。它示出的自适应增益是相关的非零信号分量的可检测性，其特征在于由Beschoff系数，从而量化分析依赖于信号的稀疏性水平，信噪比，和感测资源预算。对于固定的稀疏性水平和增加的信噪比或传感预算，我们得到收敛到Oracle性能的速率和在第一探索阶段花费的资源的比例降低到零的速率。对于非零分量的消失分数，增益作为信噪比和感测预算的函数无限制地增加。数值模拟表明，自适应增益的界限是相当紧的非渐近制度以及。
2014-08-04 cs.IT math.IT stat.ME
Adaptive matching pursuit for off-grid compressed sensing
压缩感知（CS）可以有效地恢复信号时，它是稀疏的一些离散原子。然而，在一些应用中，信号在连续参数空间中是稀疏的，例如，频率空间，而不是离散原子。通常，我们将连续参数划分为有限个离散网格点，并从这些网格点构建字典。然而，实际目标可能并不完全位于网格点上，无论参数网格化得多么密集，这引入了预定义字典和实际字典之间的不匹配。在这篇文章中，提出了一种新的方法，即自适应匹配追踪与约束总最小二乘（AMP-CTLS），找到实际的原子，即使它们不包括在初始字典。在AMP-CTLS中，网格和字典被自适应地更新以更好地与测量一致。讨论了算法的收敛性，数值实验证明了AMP-CTLS算法的优越性。
2014-06-19 cs.IT eess.SP math.IT
Active Sensing for Communications by Learning
University of Toronto（多伦多大学）
本文提出了一种深度学习方法来解决无线通信中的一类主动感知问题，其中代理在预定数量的时间帧内顺序地与环境交互以收集信息，以便执行感知或致动任务以最大化某些效用函数。在这样的主动学习设置中，代理需要基于到目前为止所做的观察来顺序地设计自适应感测策略。为了解决这样一个具有挑战性的问题，其中历史观测的维度随着时间的推移而增加，我们建议使用长短期记忆（LSTM）网络来利用观测序列中的时间相关性，并将每个观测映射到固定大小的状态信息向量。然后，我们使用深度神经网络（DNN）将每个时间帧的LSTM状态映射到下一个测量步骤的设计。最后，我们使用另一个DNN将最终的LSTM状态映射到所需的解决方案。我们研究了无线通信中的自适应信道感知问题的性能所提出的框架。特别是，我们考虑毫米波波束对准的自适应波束形成问题和反射对准的自适应可重构智能表面传感问题。数值结果表明，所提出的深度主动传感策略优于现有的自适应或非自适应传感方案。
2022-02-08 cs.IT cs.LG math.IT
Sensing-Assisted Adaptive Channel Contention for Mobile Delay-Sensitive Communications
针对具备环境与移动感知的分布式毫米波上行系统，提出自适应信道竞争机制，将其建模为去中心化多智能体MDP，并用无偏梯度估计和随机梯度下降优化本地策略，仿真显示效率显著优于SPSA。
2024-05-10 cs.IT eess.SP math.IT
Source Entropy-Guided Adaptive Transmission for Communication-Driven Multi-View Sensing
University of Glasgow（格拉斯哥大学）；University of Aberdeen（阿伯丁大学）；The University of Hong Kong（香港大学）
针对通信驱动多视角感知中感知采集与边缘推理的耦合问题，提出源熵引导的自适应传输框架，基于信息瓶颈分解为ADE-MI方法，在Widar3.0数据集上优于基准并提升时变信道下的识别准确率。
2026-09-18 cs.IT eess.SP math.IT
Phase transition in compressed sensing using log-sum penalty and adaptive smoothing
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究院）；Department of Physics, Sapienza University of Rome（罗马大学物理系）；Department of Physics, Institute of Science Tokyo（东京科学大学物理系）；Research and Education Institute for Semiconductors and Informatics, Kumamoto University（熊本大学半导体与信息学研究与教育学院）；Sigma-i Co., Ltd.（Sigma-i有限公司）
研究提出自适应平滑策略以提升压缩感知中稀疏信号恢复的稳定性，通过评估高斯测量矩阵的精确恢复阈值，证明该方法在更广区域实现精确恢复，但受亚稳态影响难以达到信息论极限。
2026-04-15 cond-mat.dis-nn cs.IT math.IT
Adaptive Sensing and Transmission Durations for Cognitive Radios
在认知无线电环境中，次用户机会主义地接入分配给主用户的频谱。为了最大化辅助吞吐量，同时保护主用户免受干扰和服务中断，找到辅助用户的最佳感测和传输持续时间变得至关重要。本文提出了一种用于认知无线电的自适应感知和传输方案。我们考虑一个信道分配给一个主要用户，在一个非时隙的方式在随机时间切换活动。次发射机根据其关于主用户活动状态的信念来适配其感测和传输持续时间。目标是最大化二级效用函数。该函数具有针对与主传输的冲突的惩罚项。它通过明确地将感测持续时间对次级吞吐量和主要活动检测可靠性的影响并入来说明可靠性-吞吐量权衡。它还考虑了数据开销导致的吞吐量降低。系统性能的数值模拟证明了自适应感知和传输方案在提高次用户效用方面优于非自适应方法。
2010-12-03 cs.IT math-ph math.IT
Distilled Sensing: Adaptive Sampling for Sparse Detection and Estimation
自适应采样的结果显着改善恢复稀疏信号在高斯白噪声。提出并分析了一种称为蒸馏传感（DS）的顺序自适应采样和细化过程。DS是一种多阶段试验设计和测试的形式。由于数据收集的自适应性质，DS可以检测和定位比非自适应测量可能的信号弱得多的信号。特别是，可靠的检测和定位（支持估计），使用非自适应样本是可能的，只有当信号幅度的增长与问题的维度。在这里，它示出，使用自适应采样，可靠的检测是可能的，提供的幅度超过一个常数，和本地化是可能的，当幅度超过任何任意缓慢增长的功能的尺寸。
2010-05-27 cs.IT math.IT math.ST
Heuristic Random Designs for Exact Identification of Defectives Using Single Round Non-adaptive Group Testing and Compressed Sensing
2019冠状病毒病大流行爆发所揭示的挑战之一是减少识别病毒携带者所需的测试数量，以遏制病毒传播，同时保持测试的可靠性。为了解决这个问题，一个流行测试的基础上组测试和压缩感知方法或GTCS范式进行了检查。在这些设置中，非自适应组测试算法被设计为排除肯定阴性样本。然后，在减少的问题，压缩感知算法被应用到解码的积极，而不需要任何进一步的测试，除了初始测试矩阵设计的组测试阶段。其结果是采用单轮非自适应分组测试-压缩感知算法来识别阳性样本。本文提出了一种启发式随机方法来构造测试设计，称为$α-$随机行设计或$α-$ RRD。在$α-$ RRD中，构建随机检测矩阵，使得每个检测在一组检测或合并液中最多聚集$α$样本。合并的测试被逐一地选择，使得先前在相同测试中选择的样本不太可能在新测试中聚合在一起。我们检查了$α-$ RRD设计在GTCS范例中的几个$α$值的性能。实验是在合成数据上进行的。我们的研究结果表明，对于某些值的$α$，减少高达10倍的测试数量时，可以实现$α-$ RRD设计应用于GTCS范式。
2021-12-23 cs.IT math.IT stat.AP
Improved Algorithms for Adaptive Compressed Sensing
在自适应压缩感测的问题中，想要从$m$线性测量$A_1 x, A_2 x,\ldots, A_m x$估计近似$k$ -稀疏向量$x\in\mathbb{R}^n$，其中可以基于先前测量的结果$A_1 x,\ldots, A_{i-1} x$来选择$A_i$。目标是输出向量$\hat{x}$，其中$$\|x-\hat{x}\|_p \le C \cdot \min_{k\text{-sparse } x'} \|x-x'\|_q\,$$的概率至少为$2/3$，其中$C > 0$是近似因子。Indyk、Price和Woodruff（FOCS'11）给出了$C = 1+ε$的$p=q=2$算法，其中$\Oh((k/ε) \loglog (n/k))$测量和$\Oh(\log^*(k) \loglog (n))$轮自适应。我们首先改善他们的界限，获得一个计划与$\Oh(k \cdot \loglog (n/k) +(k/ε) \cdot \loglog(1/ε))$测量和$\Oh(\log^*(k) \loglog (n))$轮，以及一个计划与$\Oh((k/ε) \cdot \loglog (n\log (n/k)))$测量和最佳$\Oh(\loglog (n))$轮。然后，我们提供了新的自适应压缩感知方案与$(p,p)$为每个$0 < p < 2$的改进的界限。我们表明，在自适应设置…
2018-04-25 cs.DS cs.IT math.IT
Gesture-Aware Indoor THz ISAC Systems for Adaptive Resource Allocation
King’s College London（伦敦国王学院）
针对太赫兹频段多用户室内集成感知与通信系统，提出基于扩展卡尔曼滤波手势跟踪的自适应联合优化算法，通过动态调整功率分配和波束赋形，在满足手势相关通信服务质量约束下最大化感知信干噪比。
2026-05-28 cs.IT cs.LG math.IT
On the Fundamental Limits of Adaptive Sensing
假设我们可以顺序地获取n维向量x的任意线性测量，从而得到线性模型y = Ax + z，其中z表示测量噪声。如果已知信号是稀疏的，那么人们会期望下面的民间定理是正确的：选择一种自适应策略，根据先前观察到的情况巧妙地选择A的下一行，应该比非自适应策略做得好得多，非自适应策略提前设置A的行，因此不试图在观察之间学习任何关于信号的信息。本文证明了民间定理是错误的。我们证明了聪明的自适应策略和复杂的估计程序-无论多么棘手-经典的压缩采集/恢复方案提供的优势是，在一般情况下，最小。
2012-08-13 cs.IT math.IT math.ST
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
On the Fundamental Limits of Recovering Tree Sparse Vectors from Noisy Linear Measurements
最近在压缩感知（CS）的突破性成果已经建立，许多高维信号可以准确地恢复从相对少量的非自适应线性观测，只要信号具有稀疏表示在一些基础上。随后的努力表明，CS的性能可以通过在推断期间利用非零信号系数的位置中的附加结构，或者通过在感测过程期间利用某种形式的数据相关的自适应测量聚焦来改善。据我们所知，我们自己以前的工作是第一个建立融合自适应感知和结构化稀疏概念时可以实现的潜在好处-该工作研究了从噪声线性测量中恢复支持的任务，并确定了专门针对树稀疏信号的自适应感测策略可以显著优于自适应和非自适应感测策略。对底层结构不可知的自适应感测策略。在这项工作中，我们建立了基本的性能限制的任务，支持恢复树稀疏信号从嘈杂的测量，在设置中，测量可以获得非自适应（使用随机高斯测量策略的初始CS调查的动机）或任何自适应传感策略。我们的主要结果在这里意味着，在我们以前的工作中分析的自适应树传感过程是接近最优的，在这个意义上，没有其他的传感和估计策略可以从根本上更好地识别树稀疏信号的支持。
2013-10-16 cs.IT math.IT math.ST
Signal identification for adaptive spectrum hyperspace access in wireless communications systems
将导致自适应、智能和感知无线通信系统的技术被期望为无线网络的容量、干扰和可靠性问题提供解决方案。认知无线电（CR）系统的频谱感知功能是一个进步，以更好地认识到问题，并实现有效的频谱分配。另一方面，即使频谱感知可以构成一个坚实的基础，以实现下一代网络的可重构性和意识的目标，一个新的视角是需要从整个维度的可用电（或频谱）超空间，超越频率和时间。因此，频谱感测应该发展到一个更一般和全面的意识提供机制，不仅作为CR系统的一部分，而且作为自适应频谱超空间接入（ASHA）范例的通信环境感知组件，可以自主地调整感测参数，以确保鲁棒的信号识别，参数估计和干扰避免。这种方法将导致识别频谱超空间的不同维度中的通信机会，并提供关于在所监测频谱上部署的空中接口、接入技术和波形的必要信息，以实现ASHA、资源和干扰管理。
2015-01-30 cs.IT cs.NI math.IT
Adaptive Lighting Control in Visible Light Systems: An Integrated Sensing, Communication, and Illumination Framework
Fiber Optics Research Center, College of Smart Materials and Future Energy, Fudan University（复旦大学智能材料与未来能源学院光纤研究中心）；School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理学院）
本文提出了一种自适应集成感知、通信和照明框架，通过动态调整优化目标实现节能与用户舒适度的平衡。
2025-11-26 cs.IT cs.SY eess.SY
Efficient Adaptive Compressive Sensing Using Sparse Hierarchical Learned Dictionaries
University of Minnesota, Twin Cities（明尼苏达大学双城分校）
压缩感知（CS）中的最近突破性结果已经确立，许多高维对象可以从相对少量的非自适应线性投影观测中准确地恢复，只要对象在某种基础上具有稀疏表示。随后的努力表明，CS的性能可以通过利用非零信号系数的位置中的结构（结构化稀疏性）或在感测过程中使用某种形式的在线测量聚焦（自适应性）来改善。在本文中，我们研究了这两种技术的强大的混合体。首先，我们描述了一个简单的自适应传感过程，并表明它是一个可证明的有效方法，用于获取稀疏信号，表现出结构稀疏性特征的基于树的系数依赖关系。接下来，采用稀疏层次字典学习的技术，我们表明，表现出适当形式的结构化稀疏的表示可以从训练数据的集合中学习。这些技术的组合导致有效且高效的自适应压缩采集过程。
2011-11-29 cs.CV cs.IT math.IT
Info-Greedy sequential adaptive compressed sensing
提出 Info-Greedy Sensing 自适应压缩感知框架，通过序贯选择最大化条件信息增益的测量，为 k-稀疏、高斯及 GMM 信号设计算法，并验证其性能与鲁棒性。
2015-02-02 cs.IT math.IT math.ST
Self-Adaptive RISs Beyond Free Space: Convergence of Localization, Sensing and Communication under Rich-Scattering Conditions
本文探讨了在6G丰富散射场景下RIS自适应部署需融合定位、感知与通信，揭示了上下文感知的必要性及通信开销的转化，并通过案例发现自适应RIS仅在特定噪声阈值下优于忽略上下文的RIS。
2022-05-23 cs.IT cs.SY eess.SP
