Uncertainty Propagation in Finite Impulse Response Filters: Evaluating the Gaussian Assumption
本文研究了FIR滤波器在均匀量化噪声下的输出不确定性,发现其输出不确定性分布不服从高斯分布,但可通过最主要的滤波器系数进行估计。
2025-10-13 eess.SP
Quarter Laplacian Filter for Edge Aware Image Processing
Shenzhen University(深圳大学);College of Electronics and Information Engineering, Shenzhen University(深圳大学电子与信息工程学院)
本文提出了一种四分之一拉普拉斯滤波器,可以保持图像平滑过程中的角点和边缘。它的支持域是$2\times2$,比拉普拉斯滤波器的$3\times3$支持域小。因此,它更具有地方性。此外,该滤波器可以通过经典的箱式滤波器来实现,从而为实时应用带来高性能。最后,我们在几个图像处理任务,包括图像平滑,纹理增强,和低光图像增强,它的边缘保持性能。所提出的滤波器可以在广泛的图像处理应用中采用。
2021-01-20 cs.CV eess.IV eess.SP
Filter Design for Autoregressive Moving Average Graph Filters
在图的信号处理领域中,图滤波器在图信号的频谱处理中起着至关重要的作用。本文提出了两种不同的策略,设计自回归移动平均(ARMA)图滤波器的有向图和无向图。第一种方法的灵感来自Prony的方法,该方法考虑了建模和期望的频率响应之间的修改后的误差。第二种技术基于迭代方法,该方法通过迭代地最小化建模的频率响应和期望的频率响应之间的真实误差(而不是修改的误差)来找到滤波器系数。所提出的算法的性能进行评估,并与有限脉冲响应(FIR)图形滤波器相比,在合成和真实数据。结果表明,ARMA滤波器的逼近精度优于FIR滤波器,适用于图形信号的插值、压缩和预测。
2018-06-29 eess.SP
Subgraph Signal Processing
图形信号处理,如图形傅里叶变换,需要在图形的每个顶点处的全图形信号。然而,实际上,仅顶点子集处的信号可为可用的。我们提出了一个子图信号处理的框架,涉及一个图形移位运算符或过滤器上的子图与过滤器上的环境图通过运营商损失。它允许我们定义子图信号的移位运算符,这对限制于环境图的不同子图(我们称之为半移位不变)的移位不变滤波器的混合物具有有意义的解释和关系。这导致子图信号的频域概念在某种意义上与全图信号的频域概念一致。我们应用子图信号处理机的几个应用程序,并证明了这个框架的效用的情况下,只有部分图形信号进行观察。
2021-02-05 eess.SP
Graphon Signal Processing
本文提出graphon信号处理理论,证明图傅里叶变换、图滤波器响应在图序列收敛时的极限性质,将图信号处理拓展至大规模节点图与动态图场景。
2023-12-15 eess.SP
Graph Filters for Signal Processing and Machine Learning on Graphs
Delft University of Technology(代尔夫特理工大学);Rice University(莱斯大学);Franklin W. Olin College of Engineering(富兰克林·W·奥林工程学院)
本文系统综述了图滤波器的类别、设计策略与权衡,并探讨其扩展为滤波器组和图神经网络以增强表示能力,旨在为信号处理与机器学习交叉研究提供统一框架。
2024-02-19 cs.LG eess.SP
Graph Signal Processing over a Probability Space of Shift Operators
图形信号处理(GSP)使用移位算子来定义图形信号集合的傅立叶基。通常选择移位运算符来捕获图的拓扑。然而,在许多应用中,图的拓扑结构可能是未知的先验,其结构不确定,或从预定义的集合中随机生成的每个观察。每一个图的拓扑结构产生一个不同的移位算子。在本文中,我们开发了一个GSP框架上的概率空间的移位算子。我们开发了相应的概念,傅里叶变换,MFC滤波器,带通滤波器,其中包含经典的GSP理论作为特殊情况下,概率空间由一个单一的移位运算符。我们表明,在这个框架下的MFC滤波器是在经典的GSP随机卷积滤波器的期望,而bandlimitedness的概念需要额外的回旋余地,从简单的带通滤波器的一个固定点。我们开发了一种机制,便于从一个空间的移位运算符映射到另一个,这使得我们的框架被应用到一组丰富的场景。我们演示了如何使用合成和真实的数据集的理论可以应用。
2023-03-29 eess.SP
Algebraic Convolutional Filters on Lie Group Algebras
群卷积神经网络是利用信号中已知对称性的有用工具;然而,它们要求信号在群本身上定义。现有的方法要么直接与组信号一起工作,要么它们采用提升步骤来计算卷积,这可能是计算成本很高的。以代数信号处理的角度来看,我们提出了一种新的卷积滤波器直接从李群代数,从而消除了需要提升。此外,我们建立稳定的过滤器,通过绘制连接到多重图信号处理。建议的过滤器上的分类问题进行评估的两个数据集与$SO(3)$组对称性。
2022-10-31 eess.SP
Optimal Fractional Fourier Filtering in Time-vertex Graphs signal processing
图形信号处理是处理非规则域数据的有效工具。最优图滤波器能够从失真和噪声中恢复出原始信号,是广义高斯过程中的关键技术之一。然而,目前的研究大多集中在静态图形信号和普通的空间/时间或频率域。时变图形信号具有很强的捕捉真实世界数据特征的能力,而分数阶域可以为信号和噪声的分离提供更合适的空间。在本文中,最佳的时间顶点图滤波器及其Wiener-Hopf方程,开发使用的产品图框架。利用图的分数拉普拉斯算子和图的分数傅里叶变换,得到了分数域上的最优时间-顶点图滤波器。在真实世界数据集上的数值模拟将证明分数域中的最优时间-顶点图滤波器优于普通域中的最优时间-顶点图滤波器和分数域中的最优静态图滤波器。
2022-01-12 eess.SP math.SP
Advances in Distributed Graph Filtering
图滤波器是图信号处理的核心工具之一。它们的一个核心方面是它们的直接分布式实现。然而,过滤性能通常与分布式通信和计算节省进行交易。为了改善这种权衡,这项工作将最先进的分布式图滤波器推广到每个节点都用不同的值对其邻居的信号进行加权的滤波器,同时保持聚合操作的线性。这种新的实现,标记为边变图过滤器,产生了显着减少的通信轮,同时保持近似精度。此外,我们还刻画了可以用边变递归描述的平移不变图滤波器的子集。通过使用低维参数化,所提出的图滤波器通过局部算子的连续和组合提供了近似线性算子的见解,即,固定的支持矩阵,其跨越图形信号处理领域之外的应用。一组数值结果显示了优势的边变滤波器在当前的方法,并说明了它们的潜力,以更广泛的应用比图过滤。
2018-08-09 eess.SP
Optimized Quantization in Distributed Graph Signal Filtering
分布式图信号处理算法要求网络节点通过交换消息进行通信,以实现共同的目标。这些消息在现实网络中具有有限的精度,这可能需要实现消息量化。量化又可能在分布式处理任务中产生失真和性能损失。本文提出了一种新的方法,分布式图过滤,最大限度地减少由于消息量化的错误,而不损害通信成本。它首先限制交换的消息,然后以优化的方式将有限的比特预算分配给不同的消息和网络节点。特别是,我们的新的量化算法适应的网络拓扑和分布式处理任务中的消息的重要性。我们的研究结果表明,该方法是有效的,在最大限度地减少由于量化的误差,它允许优于基线分布式算法时,比特预算是有限的。他们进一步表明,在具有高偏心率的节点中或在分布式算法的第一步中产生的误差对全局误差的贡献更大。此外,稀疏和不规则的图需要更不规则的位分布。我们的方法提供了一个第一个量化的解决方案,分布式图处理,这是能够适应目标任务,图形属性和通信约束。
2019-09-27 eess.SP
Atomic Filter: a Weak Form of Shift Operator for Graph Signals
移位运算在经典的信号处理中起着至关重要的作用。它是所有滤波器的生成器,也是时频分析的基本运算,如加窗傅里叶变换和小波变换。随着互联网技术和大数据科学的快速发展,大量数据被表示为定义在图上的信号。为了建立滤波、加窗傅里叶变换和小波变换在图形信号中的应用理论,需要将经典信号的移位运算推广到图形信号中。由于图的顶点集通常不是向量空间,并且加法运算不能定义在图的顶点集上,因此这是一个基本问题。本文基于对移位运算在经典信号处理中核心作用的理解,提出了原子滤波器的概念,它可以看作是图信号移位运算的一种弱形式。然后,我们研究的条件,使原子过滤器是保范,周期性,或实保持。保实性在经典的信号处理中自然成立,但在图信号环境中这方面的研究还未见报道。在这些条件下,我们提出了图信号的正规原子滤子的概念,如果图是循环的,在温和的条件下,它退化为经典的移位算子。给出了具有或不具有正规原子滤子的图的典型例子。最后,作为应用,利用原子滤波器构造时频原子,构成图信号空间的框架。
2022-04-01 eess.SP
Lie Group Algebra Convolutional Filters
提出基于代数信号处理的李群代数卷积滤波器框架,通过指数映射与滤波器/信号分离采样实现任意空间信号处理,并给出唯一性、误差界、稳定性及纽结分类等实验验证。
2024-01-26 eess.SP
Processing of large sets of stochastic signals: filtering based on piecewise interpolation technique
假设$K_{_Y}$和$K_{_X}$分别是观测信号和参考信号的大集合,每个集合包含$N$信号。有没有可能构造一种滤波器$F$,该滤波器仅需要关于来自$K_{_X}$的几个信号$p\ll N$的先验信息,但比基于关于来自$K_{_X}$的每个参考信号的先验信息的已知滤波器性能更好?它表明,积极的答案是可以实现的相当不受限制的假设。所提出的方法背后的设备是基于一个特殊的扩展的分段线性插值技术的情况下,随机信号集。所提出的技术提供了一个单一的滤波器来处理任意大的信号集的任何信号。滤波器是根据伪逆矩阵确定的,因此它总是存在的。
2021-11-11 cs.NA eess.SP math.NA
Convolutional Filtering on Sampled Manifolds
University of Pennsylvania(宾夕法尼亚大学);Simons-Berkeley Institute(西蒙斯-伯克利研究所)
几何数据的可用性日益提高,激发了对非欧几里德域流形建模的信息处理的需求。卷积滤波是信息处理体系结构中具有理想的理论特性(如不变性和稳定性)的构建块。流形卷积滤波器是从流形扩散序列定义的,通过将Laplace-Beltrami算子连续应用于流形信号来构造。然而,连续流形模型只能通过采样离散点并从采样流形构建近似图模型来访问。流形上的有效线性信息处理需要量化当用图卷积逼近流形卷积时所引起的误差。在本文中,我们推导出这种近似的非渐近误差界,表明采样流形上的卷积滤波收敛到连续流形滤波。我们的研究结果进一步证明了经验上的导航控制的问题。
2022-11-20 cs.LG eess.SP
On Local Distributions in Graph Signal Processing
图滤波是图信号处理(GSP)的基础运算。因此,理解它是开发有效的普惠制方法的关键。图过滤器是局部和分布式线性操作,其输出仅取决于每个节点的局部邻域。此外,图过滤器的输出可以在每个节点上通过与直接邻居进行重复交换来单独计算。图过滤器可以被压缩地写为图移位算子的多项式(通常,图的稀疏矩阵描述)。这导致了滤波器的属性与相应矩阵的频谱属性的关联-它编码了图的全局结构。在这项工作中,我们提出了一个框架,仅依赖于一个图的邻域的局部分布。这种方法的关键是描述图形和图形信号的可测量空间的根球。利用这一点,我们能够无缝地比较不同大小和来自不同模型的图,产生关于谱密度收敛、滤波器在任意图上的可转移性以及图信号特性相对于局部子结构分布的连续性的结果。
2022-02-22 cs.SI eess.SP
Signal Processing over Product DAGs: Causal Shifts and Filters
针对双域线性因果信号,提出一种新的DAG乘积算子,使乘积图上的SEM、傅里叶模式、因果移位及滤波器均可按因子分解,避免求逆大型传递闭包矩阵。
2026-10-01 eess.SP stat.ML
A User Guide to Low-Pass Graph Signal Processing and its Applications
图过滤器的概念可用于定义图数据的生成模型。事实上,从网络动态的许多示例中获得的数据可以被视为图过滤器的输出。通过这种解释,经典的信号处理工具,如频率分析,已成功地应用于图形数据的类似解释,为数据科学产生新的见解。以下是关于特定类别的图形数据的用户指南,其中生成的图形滤波器是低通的,即,滤波器衰减较高图形频率中的内容,同时保留较低频率中的内容。我们的选择是出于低通模型在应用领域,如社交网络,金融市场和电力系统的流行。我们说明了如何利用低通图过滤器的属性来学习图拓扑或识别其社区结构;通过采样有效地表示图数据,恢复丢失的测量值,并对图数据进行去噪;低通属性也被用作检测异常的基线。
2020-08-04 eess.SP stat.ML
6DCNN with roto-translational convolution filters for volumetric data processing
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
在这项工作中,我们介绍了6D卷积神经网络(6DCNN),旨在解决处理三维体积数据时检测局部模式的相对位置和方向的问题。6DCNN还包括在傅立叶空间中构造的SE(3)-等变消息传递和非线性激活操作。在傅立叶空间中工作可以显著降低我们操作的计算复杂度。我们证明了6D卷积的性质及其在空间模式识别中的效率。我们还评估了来自最近CASP蛋白质结构预测挑战的几个数据集上的6DCNN模型。在这里,6DCNN在基线架构上进行了改进,并且也优于最先进的技术。
2021-07-30 cs.LG eess.SP q-bio.QM
Signal Processing Meets SGD: From Momentum to Filter
Shenyang University of Chemical Technology(沈阳化工大学);University of Louisville(路易斯维尔大学);Northeastern University(东北大学);University of Macau(澳门大学)
本文从信号处理视角分析SGD梯度更新中的偏差与方差平衡问题,提出基于维纳滤波原理的SGDF方法,通过最小化均方误差获得最优时变增益,实现更优的收敛性与泛化性能。
2025-03-07 cs.LG eess.SP
Implementing Finite Impulse Response Filters on Quantum Computers
本文研究如何用量子系统实现经典离散时间信号处理,通过将输入信号编码为量子态并设计酉算子实现FIR滤波器,并提出级联低阶滤波器构造高阶滤波器的方法。
2025-01-17 cs.IT eess.SP math.IT
Demonstrating the Potential of Adaptive LMS Filtering on FPGA-Based Qubit Control Platforms for Improved Qubit Readout in 2D and 3D Quantum Processing Units
本文研究在FPGA量子控制平台上集成LMS自适应滤波算法,以提升2D和3D量子处理单元的量子比特读取信噪比与精度,并验证其在资源受限条件下的可行性。
2024-08-01 eess.SP quant-ph
State-Space-Based FIR Filtering on a Quantum Computer
Aalto University(阿尔托大学);Università degli studi di Milano Statale(米兰大学)
本文提出一种基于状态空间框架的量子FIR滤波器实现,利用酉量子电路和量子延迟门,支持并行与组合,并通过模拟投影算子实现低通等有界滤波,在量子电路模拟器上验证。
2026-09-18 cs.SD eess.AS eess.SP
On the distributions of some statistics related to adaptive filters trained with $t$-distributed samples
在本文中,我们分析自适应滤波器或检测器的行为时,他们训练的$t$分布的样本,而不是高斯分布的样本。更准确地说,我们调查的一些相关的统计,包括信噪比损失和高斯广义似然比检验的分布的影响。本文导出了分块复$F$分布矩阵的一些性质,使之能够得到关于独立卡方分布随机变量的统计表示。这些表示相比,其高斯同行和数值模拟说明和量化的诱导退化。
2021-03-03 eess.SP math.ST stat.TH
Sheaf-theoretic Signal Processing on Graphs: Spectral Theory, Filtering, and Sampling
Sapienza University of Rome(罗马第一大学);National Inter-University Consortium for Telecommunications (CNIT)(国家大学间电信联盟(CNIT))
本文开发了统一的层信号处理框架,将信号处理基本操作扩展到异构局部空间,提出层傅里叶变换等方法,在多类数据集上验证其性能优于经典图信号处理基线。
2026-08-04 cs.AI cs.LG eess.SP
Online Filtering over Expanding Graphs
Delft Institute of Technology(代尔夫特理工大学)
图上的数据处理任务通过图信号处理工具将驻留在节点上的数据与拓扑耦合。图滤波器就是这样一个突出的工具,已被用于去噪、插值和分类等应用。然而,它们主要用于固定图,尽管许多网络在实践中不断增长,节点不断地连接到拓扑结构。每次新节点连接时重新训练过滤器在计算上要求很高;因此需要适应不断变化的图的在线学习解决方案。我们提出了一个在线更新的过滤器,基于在线机器学习的原则。为了更新过滤器,我们执行在线梯度下降,它具有相对于离线计算的过滤器的可证明的遗憾界。我们展示了我们的方法在传入节点的信号插值的性能。合成和基于图的推荐系统的数值结果表明,所提出的方法相比,离线基线过滤器,同时优于竞争对手的方法。这些发现为扩展图的有效过滤奠定了基础。
2023-01-17 cs.LG eess.SP
Learning with Multigraph Convolutional Filters
University of California, Berkeley(加州大学伯克利分校);University of Pennsylvania(宾夕法尼亚大学)
在本文中,我们介绍了一种卷积架构,当信息支持多重图时,可以执行学习。利用代数信号处理(ASP)理论,提出了一种基于多重图的卷积信号处理模型(MSP)。然后,我们介绍多重图卷积神经网络(MGNNs)作为堆叠和分层结构,其中根据MSP模型处理信息。我们还开发了一个易于处理的计算MGNN中的滤波器系数的程序和一个低成本的方法来减少层之间传输的信息的维数。最后,我们通过比较MGNNs对其他学习架构的多信道通信系统的最优资源分配任务的性能。
2022-10-28 cs.LG eess.SP
Integrating Notch Filtering and Statistical Methods for Improved Cardiac Diagnostics Using MATLAB
本文提出结合陷波滤波与统计方法以使用MATLAB改进心脏诊断,通过消除50/60 Hz电力线干扰并保留P、QRS、T波等关键成分,有效提升了ECG信号质量及下游机器学习与深度学习分类任务的性能。
2025-03-20 cs.IR eess.IV eess.SP
Signal Processing on Cell Complexes
Rice University(莱斯大学);RWTH Aachen University(亚琛工业大学);Santa Clara University(圣克拉拉大学)
支持在非欧域上的信号处理近年来引起了人们的极大兴趣。到目前为止,这种非欧几里德域主要被抽象为节点上支持信号的图,尽管也考虑了更一般结构(如单纯复形)上的信号处理。在本文中,我们给出了一个介绍(抽象的)正规细胞复合体,它提供了一个统一的框架,包括图形,单纯形复合体,立方复合体和各种网格作为特殊情况下的信号处理。我们讨论如何适当的霍奇拉普拉斯算子,这些细胞复合体可以派生。这些Hodge Laplacian使得能够构造卷积滤波器,该卷积滤波器可以通过在细胞复合体上定义的神经网络用于线性滤波和非线性滤波。
2022-02-20 cs.LG cs.SI eess.SP
Resampling Filter Design for Multirate Neural Audio Effect Processing
Acoustics and Audio, University of Edinburgh(声学与音频,爱丁堡大学);Acoustics Lab, Department of Information and Communications Engineering, Aalto University(声学实验室,信息与通信工程系,阿尔托大学);Scottish Graduate School of Arts and Humanities (SGSAH)(苏格兰艺术与人文研究生学院)
本文针对多速率神经音频效果处理,提出并验证了在神经网络输入输出端采用实时重采样滤波器(半带IIR级联凯泽窗FIR)的方案,相比模型调整方法性能相当或更优,且计算量更低、延迟小于1毫秒。
2025-05-27 cs.LG cs.SD eess.AS
Meta-AF: Meta-Learning for Adaptive Filters
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Adobe Research(奥多比研究院)
自适应滤波算法在整个信号处理中是普遍存在的,并且对包括音频处理、电信、生物医学感测、天体物理学和宇宙学、地震学等在内的各种领域产生了重大影响。自适应滤波器通常通过专门的在线迭代优化方法(如最小均方或递归最小二乘)进行操作,旨在处理未知或非平稳环境中的信号。然而,这样的算法开发起来可能缓慢而费力,需要领域专业知识来创建,并且需要数学洞察力来改进。在这项工作中,我们寻求改进手工自适应滤波器算法,并提出了一个全面的框架,用于在线学习,自适应信号处理算法或直接从数据中更新规则。为此,我们将自适应滤波器的开发框架为深度学习背景下的元学习问题,并使用一种自我监督的形式来学习自适应滤波器的在线迭代更新规则。为了证明我们的方法,我们专注于音频应用和系统地开发元学习自适应滤波器的五个典型的音频问题,包括系统辨识,声学回声消除,盲均衡,多通道去混响,和波束形成。我们将我们的方法与常见的基线和/或最新的最先进的方法进行比较。我们表明,我们可以学习实时操作的高性能自适应滤波器,并且在大多数情况下,它们的性能明显优于我们比较的每种方法-所有这些方法都使用我们方法的单一通用配置。
2022-11-21 cs.SD eess.AS eess.SP
High-order Radio Frequency Differentiation via Photonic Signal Processing with an Integrated Micro-resonator Kerr Optical Frequency Comb Source
我们展示了使用集成微谐振器为基础的光学频率梳源的微波和射频光子滤波和先进的功能的横向滤波功能的基础。
2018-04-07 eess.SP physics.app-ph physics.optics
Robust Cubature Kalman Filter for Dynamic State Estimation of Synchronous Machines under Unknown Measurement Noise Statistics
School of Electrical Engineering, Northeast Electric Power University(东北电力大学电气工程学院);Department of Electrical and Computer Engineering, University of Central Florida(中佛罗里达大学电气与计算机工程系);State Grid Heibei Economic Research Institute(国网河北经济研究院)
本文提出了一种基于Huber M估计的鲁棒立方根滤波器(RCKF),以应对未知测量噪声统计特性下的同步机动态状态估计问题,该方法在非高斯环境和存在离群值时表现出色。
2019-02-19 cs.SY eess.SP eess.SY
FaSNet: Low-latency Adaptive Beamforming for Multi-microphone Audio Processing
Columbia University(哥伦比亚大学);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
波束成形已经被广泛研究用于多声道音频处理任务。最近,基于学习的波束形成方法(有时称为\textit{neural beamformers})已经在信号质量(例如,信噪比(SNR))和语音识别(例如,字错误率(WER))方面实现了显著的改进。这样的系统通常是非因果的,并且需要大的上下文以用于信道间特征的鲁棒估计,这在需要低延迟响应的应用中是不切实际的。在本文中,我们提出了滤波和求和网络(FaSNet),一种适用于低延迟场景的基于时域滤波器的波束成形方法。FaSNet有一个两阶段的系统设计,首先学习选定的参考通道的帧级时域自适应波束成形滤波器,然后计算所有剩余通道的滤波器。将所有通道的滤波输出相加以生成最终输出。实验表明,尽管FaSNet的模型尺寸较小,但在混响语音增强和分离任务中,其尺度不变信噪比(SI-SNR)优于几种传统的oracle波束形成器。此外,当在CHiME-3数据集上使用频域目标函数进行训练时,与基线模型相比,FaSNet实现了14.3%的相对字错误率降低(RWERR)。这些结果显示了FaSNet的功效,特别是在混响和噪声信号条件下。
2019-10-01 cs.LG cs.SD eess.AS