A High Resolution Optimum 2D Coprime Planar Array
设计一种新的矩形二维稀疏阵,以提高有限数量传感器的信号分辨能力一直是一个挑战。我们探讨的非均匀性的稀疏阵列,以提高自由度(DOF),考虑欠定的情况下,使用虚拟阵列的概念。在本文中,我们提出了一种新的二维稀疏阵列配置来估计信号的方位角和仰角的到达。我们提出了一类新的矩形二维阵列与传感器在一个平面上,其差异协同阵列可以产生一个虚拟的二维平面阵列与更多的元素,导致在阵列的完全扩增范围的增加。所提出的矩形阵列的差分共阵列给出了连续的密集结构,这导致与CPA几何形状的传统方法相比,平面阵列内的孔减少,在CPA几何形状的传统方法中,在阵列结构的外部维度中以及阵列内存在许多孔。此外,我们知道阵列的角分辨率高度依赖于其波束宽度,其本身与阵列尺寸或有效阵列孔径成反比。因此,通过增加阵列维度,可以实现更高的分辨率。所提出的阵列为给定数量的物理传感器提供更高的自由度。对所提出的几何结构进行优化,通过在更大程度上抑制旁瓣电平来最大化阵列转向查找方向上的方向性。
2022-06-08 eess.SP
Rank Minimization-based Toeplitz Reconstruction for DoA Estimation Using Coprime Array
在本文中,我们解决了互质阵列,这是一个最优选的稀疏阵列配置的测向问题。由于阵元间距不均匀会影响接收信号中潜在信息的充分利用,本文提出了一种基于Toeplitz协方差矩阵低秩重构的DOA估计算法。考虑了内插虚拟阵列的测量值的原子范数表示,并使用循环优化方法制定和解决了等效的双变量秩最小化问题。所恢复的协方差矩阵使得能够应用常规的基于子空间的谱估计算法(诸如MUSIC)来实现增强的DoA估计性能。所提出的方法的估计性能,在自由度和空间分辨率方面,检查。我们还显示了所提出的方法在均方根误差意义上的竞争力的方法的优越性。
2021-03-29 eess.SP
Near-Field Localization With Coprime Array
针对互质阵列现有远场定位方法不适用于近场场景的问题,提出构造有效协方差矩阵解耦角距估计、结合角度域与距离域的两阶段MUSIC算法,可定位更多目标且RMSE低于密集阵列方法。
2024-11-03 eess.SP
Adaptive Hierarchical Sensing for the Efficient Sampling of Sparse and Compressible Signals
本文提出了一种新的自适应分层感知算法K-AHS,它以与压缩感知(CS)相同的测量复杂度对稀疏或可压缩信号进行采样。与CS相比,K-AHS是自适应的,因为在采样时选择感测向量,这取决于先前的测量。在采样之前,用户选择感兴趣信号稀疏的变换域。相应的变换确定感测向量的集合。K-AHS基于提供感测向量的自然层次的感测树,逐渐将初始粗略测量细化为稀疏变换域中的重要信号系数。K-AHS直接提供稀疏变换域中的重要信号系数,并且不需要基于逆优化的重建阶段。因此,K-AHS感测向量必须不满足任何不相干或受限等距性质。数学分析证明了K-AHS的采样复杂性,以及采样的最佳k项近似,这是适用于特定的信号模型的一般和充分条件。分析结果得到了合成信号和真实世界图像模拟的支持。在标准基准图像上,K-AHS实现了比CS更低的重建误差。
2018-07-14 eess.SP
A Kronecker-Based Sparse Compressive Sensing Matrix for Millimeter Wave Beam Alignment
毫米波波束对准(BA)是一个具有挑战性的问题,特别是对于大量的天线。由于这种信道的稀疏性质,已经利用了压缩感知(CS)工具。本文提出了一种新的确定性CS方法BA。我们提出的具有Kronecker结构的传感矩阵是稀疏的,这意味着它是计算效率高的。我们表明,我们提出的传感矩阵满足限制等距属性(RIP)的条件,这保证了稀疏向量的重建。我们的方法优于现有的随机波束形成技术在实际的低信噪比(SNR)的情况下。
2019-09-16 eess.SP
Poster Abstract: A Dynamic Data-Driven Prediction Model for Sparse Collaborative Sensing Applications
协作感测中的基本问题在于提供关键事件(例如,危险环境条件、城市异常、经济趋势)。然而,由于资源的限制,协作传感应用通常只收集测量的物理位置的子集和预测的测量的其余位置。这个问题被称为稀疏协同感知预测。在这张海报中,我们提出了一个新的闭环预测模型,利用主题建模和在线学习技术。我们使用真实世界的协作传感数据集来评估我们的方案。初步结果表明,我们提出的方案优于国家的最先进的基线。
2019-09-09 eess.SP
V-Shaped Sparse Arrays For 2-D DOA Estimation
本文提出了一种新的稀疏阵列结构,用于二维(方位角和仰角)波达方向(DOA)估计。所提出的阵列的几何形状是V形稀疏阵列,它是由两个线性部分,这是相互交叉。稀疏采样特性提高了稀疏阵列的自由度。在这方面,V形互质(VCA)和V形嵌套阵列(VNA)结构的开发。VCA可以同时分辨方位角和仰角,最多可以分辨MN个源,每个部分有2 M + N-1个传感器,传感器总数为4 M +2N-3。VNA可以用2N个传感器分辨O(N^2)个源。代替2-D网格搜索,所提出的方法以计算有效的方式计算用于方位角和仰角估计的1-D搜索。为了解决二维情况下的配对问题,利用两部分的互协方差矩阵进行二维配对DOA估计。所提出的方法的性能进行了评估与数值模拟,它表明,所提出的阵列几何形状VCA和VNA可以提供更少的传感器相比,传统的互质平面阵列。
2019-12-01 eess.AS eess.SP
Compressive Sensing: Performance Comparison Of Sparse Recovery Algorithms
频谱感知是认知无线电中的一个重要环节。已经提出的许多感测技术遭受高处理时间、硬件成本和计算复杂性。为了解决这些问题,已经提出了压缩感知以减少处理时间并加快无线电频谱的扫描过程。选择一个合适的稀疏恢复算法是必要的,以实现这一目标。已经提出了许多稀疏恢复算法。本文综述了稀疏恢复算法,对它们进行了分类,并比较了它们的性能。为了进行比较,我们使用了几个指标,如恢复误差,恢复时间,协方差和相变图。结果表明,贪婪类下的技术是更快的,凸和松弛类的技术表现更好的恢复错误,和贝叶斯为基础的技术被观察到有一个有利的平衡小的恢复错误和短的恢复时间。
2018-01-29 eess.SP
Tight-frame-like Analysis-Sparse Recovery Using Non-tight Sensing Matrices
本文针对非紧传感矩阵,提出一种等效于紧框架的解析稀疏l1最小化方法,通过近端算法和梯度重缩放提升恢复性能,并开发深度展开变体,在图像恢复任务中优于现有技术。
2023-12-27 eess.SP
Study of Robust Two-Stage Reduced-Dimension Sparsity-Aware STAP with Coprime Arrays
Shenzhen University(深圳大学);University of York(约克大学)
互质阵列空时自适应处理(STAP)算法在机载雷达系统中具有较好的杂波抑制性能,且成本较均匀线阵低。然而,这些算法的性能受到实际应用中训练样本支持度的限制。为了解决这个问题,一个强大的两阶段降维(RD)稀疏感知STAP算法在这项工作中提出。在第一阶段中,使用所有空间信道但仅使用目标多普勒频率周围的$m$相邻多普勒信道来构造RD虚拟快照,以减小信号的慢时间维度。在第二阶段,RD稀疏测量建模的基础上构建的RD虚拟快照,其中杂波的稀疏性和杂波脊的先验知识被用来制定RD过完备字典。此外,提出了一种类正交匹配追踪(OMP)方法来恢复杂波子空间。为了设置OMP类方法的停止参数,一个鲁棒的杂波秩估计方法的发展。与最近发展的稀疏感知STAP算法相比,所提出的稀疏表示字典的大小要小得多,从而降低了复杂度。仿真结果表明,该算法对先验知识误差具有较好的鲁棒性,在低样本支持下也能获得较好的杂波抑制性能。
2019-12-23 cs.LG eess.SP stat.ML
Extremely Sparse Co-Prime Sensing: Low Latency Estimation is not a Dream but a Reality
互质检测是一种用于信号采集的亚奈奎斯特技术。在文献中已经提出了对原型互质阵列的几种修改。研究人员还证明了低延迟估计。本文介绍了一个家庭的可调枢轴共素阵列的功能。然而,主要的重点是向读者介绍一个称为极稀疏共素阵列和采样器的概念。可调主元互质阵列是极稀疏阵列的一种特殊情况。推导了权函数和相关图偏置窗口的闭合表达式。低延迟估计证明使用极其稀疏的互质方案。此外,一个多维和一个混合极稀疏互质阵列提出了作为一个简单的扩展的一维理论。最后,一个广义的极稀疏的结构开发了几个设计参数。大多数现有的结构可以被看作是一个特殊的情况下,广义计划。
2020-11-23 eess.SP
Constrained Tensor Decomposition-Based Target Sensing for Sparse Non-Uniform Array-Enabled AFDM ISAC Systems
Xi’an Jiaotong University(西安交通大学);Stevens Institute of Technology(史蒂文斯理工学院);Shanghai Jiao Tong University(上海交通大学)
针对稀疏非均匀阵列AFDM ISAC系统目标参数估计问题,提出基于约束张量分解的感知框架,开发流形约束交替最小二乘算法及迭代一维黄金分割搜索来估计参数,仿真表明算法接近CRB且优于传统方法。
2026-11-06 eess.SP
Defect Detection by MIMO Wireless Sensing based on Weighted Low-Rank plus Sparse Recovery
提出了一种基于压缩感知的多输入多输出(MIMO)无线雷达缺陷检测方法。这里,缺陷在层状材料结构内部,因此,由于来自层状材料结构的表面的反射,缺陷检测是具有挑战性的。通过利用分层材料结构的反射的低秩性质和缺陷的稀疏性质,我们提出了一种基于秩最小化和稀疏恢复的方法。为了提高低秩和稀疏分量的恢复精度,提出了一种基于迭代重加权核范数和迭代重加权$\ell_1-$范数算法的非凸方法.我们的数值结果表明,所提出的方法是能够分层和恢复的缺陷和分层结构的信号响应成功地从大量减少的观察。此外,所提出的方法优于国家的最先进的杂波抑制方法
2022-02-19 eess.SP
Near-Optimal Sparse Sensing for Gaussian Detection with Correlated Observations
噪声中信号的检测是一个经典的信号处理问题。当在固定预算下监测空间现象时,即,无论是物理的、经济的还是计算的约束,都非常需要选择既满足预算又满足性能要求的可用传感器的子集,称为稀疏感测。不幸的是,子集选择问题的检测依赖的观察是组合的性质和次优的子集选择算法必须采用。在这项工作中,不同于广泛使用的凸松弛的问题,我们利用子模块,收益递减属性,提供实用的近最优算法,适合大规模的子集选择。这是通过低复杂度的贪婪算法来实现的,与凸算法相比,贪婪算法的计算复杂度降低了。
2017-10-26 eess.SP
Sparse Sensor Arrays for Active Sensing: Models, Configurations and Applications
Aalto University(阿尔托大学)
本文研究稀疏传感器阵列在主动感知中的模型、配置及应用,探讨了低冗余阵列设计与发射-接收波束成形方法,以及其在雷达、声纳等领域的应用。
2026-01-21 eess.SP
Low-complexity Sparse Array Synthesis Based on Off-grid Compressive Sensing
提出了一种新的基于压缩感知(CS)的非均匀平面阵列稀疏阵列综合方法。特别是,我们提出了一个离网细化技术,同时优化天线元件的位置和激励具有低的复杂性,在响应天线位置优化问题,这是很难为标准CS。更重要的是,我们考虑到最小的单元间距约束,以确保物理上可实现的解决方案。首先提出了低复杂度的离网正交匹配追踪(OMP)算法,然后设计了综合性能更好但复杂度更高的离网前视正交匹配追踪(LAOMP)算法。仿真结果表明,与相关方法相比,本文提出的方案在计算复杂度和综合性能上都有较大的优势。
2022-07-28 eess.SP
Two-stage space construction for real-time modeling of distributed parameter systems under sparse sensing
本文提出一种两阶段空间构造方法,通过离散空间补全、空间基函数推导和LSTM时间建模,结合三次B样条曲面优化,实现稀疏感知下分布式参数系统的实时全空间建模,并在锂离子电池上验证了其有效性。
2023-10-28 eess.SP
A Context-Aware Readout System for Sparse Touch Sensing Array Using Ultra-low-power Always-on Event Detection
针对大触摸屏能耗问题,提出基于轻量级压缩感知的常开事件检测的上下文感知读出系统,通过关闭空闲电路实现高达42倍能效提升。
2023-05-11 eess.SP
Compressive Sensing Based Sparse MIMO Array Optimization for Wideband Near-Field Imaging
在毫米波近场成像领域,广义稀疏阵列综合(SAS)方法的需求量很大。传统的方法通常采用贪婪算法,这可能存在收敛问题。提出了一种基于压缩感知(CS)方法的多输入多输出(MIMO)阵列设计的凸优化模型。我们产生一个块状的参考图案,作为一个优化目标。该图案占据整个感兴趣的成像区域,以便将每个像素的效果纳入优化模型。在MIMO场景中,我们可以固定发射子阵列并合成接收子阵列,反之亦然,或者依次进行合成。详细讨论了合成阵列的聚焦、旁瓣抑制和栅瓣抑制等问题。数值计算和实验结果表明,合成的稀疏阵列可以提供更好的图像质量比稀疏阵列等间距或随机间距的天线与相同数量的天线单元。
2022-08-09 eess.SP
Bayesian Linear Regression with Cauchy Prior and Its Application in Sparse MIMO Radar
本研究提出带柯西先验的贝叶斯线性回归稀疏信号恢复算法,通过近似期望最大化设计超参数更新策略,在不同场景下性能优于现有算法,可高效实现MIMO雷达高分辨率目标成像。
2023-07-20 eess.SP
Massive MIMO-OFDM ISAC for Sparse ISAR Imaging: Joint Power and Subcarrier Allocation
Queen’s University Belfast(贝尔法斯特女王大学);Kyung Hee University(庆熙大学);University of Science and Technology Beijing(北京科技大学)
研究用于ISAC的mMIMO-OFDM框架在稀疏ISAR成像中的应用,提出自适应加权二维ADMM算法及联合资源分配框架,推导感知基准并开发SAC方法,实现高分辨率图像恢复,提升频谱效率,揭示重建精度与通信效率的权衡。
2026-07-21 eess.SP
Iterative Sparse Recovery based Passive Localization in Perceptive Mobile Networks
感知移动网络(PMNs)的提出是为了将感知能力集成到当前的蜂窝网络中,其中多个感知节点(SN)可以协作地感知相同的目标。除了传统雷达系统中的主动感测之外,基于来自移动用户设备的上行链路通信信号的被动感测可以在PMNs中发挥更重要的作用,特别是对于具有弱电磁波反射的目标,例如,行人然而,在没有适当设计的主动感测波形的情况下,被动感测通常遭受低信噪比(SNR)。因此,大多数现有的方法需要大量的数据样本来实现接收信号的协方差矩阵的准确估计,基于该估计来构建用于定位目的的功率谱。这样的要求将给PMN带来沉重的通信工作量,因为数据样本需要通过网络传输以进行协作感测。为了解决这个问题,在本文中,我们利用稀疏结构的定位问题,以减少搜索空间,并提出了一个迭代稀疏恢复(ISR)算法,估计协方差矩阵和功率谱的迭代方式。实验结果表明,在低信噪比条件下,ISR算法在样本量很少的情况下,可以获得比现有方法更好的定位性能。
2022-08-22 eess.SP
Multibeam Sparse Tiled Planar Array for Joint Communication and Sensing
多波束模拟阵列已被提出用于毫米波联合通信和传感(JCAS)。我们研究多波束平面阵列JCAS,提供时分双工通信和全双工传感与可控波束。为了有一个大口径与窄波束宽度的辐射方向图,我们建议设计一个稀疏平铺平面阵列(STPA)孔径与负担得起的移相器数量。阵列的模块化平铺和稀疏设计是非凸优化问题,然而,我们利用了天线阵列几何形状越不规则,旁瓣电平越小的事实。我们建议首先通过阵列中瓦片的相位中心的最大熵来解决优化,然后利用向日葵阵列的几何形状来执行稀疏子阵列选择。在保持与常规均匀平面阵列(CUPA)相同的通信链路中的频谱效率的同时,STPA在视线路径占主导地位时改善了到达角估计,例如,具有125个元素的STPA区分两个相邻的目标,其中两个相邻的目标的距离相差20 $^\circ$,而CUPA不能。此外,当阻塞器在仰角中移动时,STPA具有比CUPA短40 $\%$的阻塞时间。
2022-09-19 eess.SP
Optimized Structured Sparse Sensing Matrices for Compressive Sensing
Technion - Israel Institute of Technology(以色列理工学院);The Chinese University of Hong Kong(香港中文大学);Johns Hopkins University(约翰斯·霍普金斯大学);Colorado School of Mines(科罗拉多矿业学院)
本文考虑设计一个由稀疏矩阵和稠密基矩阵组成的鲁棒结构稀疏感知矩阵,以有效地捕获信号。我们通过最小化等价字典的Gram矩阵和目标Gram矩阵之间的距离来设计鲁棒结构稀疏感知矩阵。此外,正则化被添加到执行的优化的结构化稀疏传感矩阵的稀疏表示误差(SRE)的感兴趣的信号的鲁棒性。提出了一种具有全局序列收敛性的交替极小化算法来求解相应的优化问题。对合成数据和自然图像的数值实验表明,所得到的结构化传感矩阵比随机稠密传感矩阵具有更高的信号重构能力。
2019-02-05 cs.LG eess.SP
Automotive Radar Sensing with Sparse Linear Arrays Using One-Bit Hankel Matrix Completion
本文针对稀疏线阵车载雷达的粗量化测量问题,提出基于一位汉克尔矩阵补全的奇异值阈值算法,可仅用一位数据准确估计方位角,为低成本高分辨率车载雷达提供了有效方案。
2024-03-05 eess.SP
Target Sensing With Off-grid Sparse Bayesian Learning for AFDM-ISAC System
针对 AFDM-ISAC 中有限时长导致多普勒分辨率不足的问题,提出在 DAF 域建模离网稀疏恢复并用 EM-SBL 联合估计目标距离与速度,显著提升高移动场景下的传感性能。
2025-03-13 eess.SP
SPARCS: A Sparse Recovery Approach for Integrated Communication and Human Sensing in mmWave Systems
使用毫米波(mmWave)设备检测和分类人体运动的一种成熟方法是对不同身体部位的小尺度多普勒效应(称为微多普勒)进行时频分析,这需要对信道脉冲响应(CIR)进行规则间隔和密集采样。目前在文献中,这是使用专用雷达传感器或中断通信来传输专用感测波形来完成的,这需要高开销和信道利用率。在这项工作中,我们提出了SPARCS,一个集成的人类传感和通信解决方案的毫米波系统。SPARCS是第一种从不规则和稀疏的CIR样本中重建高质量的人体运动特征的方法,例如在通信流量模式期间获得的特征。为了实现这一点,我们制定的微多普勒提取稀疏恢复问题,这是至关重要的,使通信和传感之间的平滑集成。此外,如果需要的话,我们的系统可以无缝地注入短CIR估计字段到信道中时,通信流量是不存在的或不足的微多普勒提取。SPARCS有效地利用了毫米波信道的固有稀疏性,从而相对于可用方法大幅降低了感测开销。我们在IEEE 802.11ay软件定义无线电(SDR)平台上实现了SPARCS,该平台工作在60 GHz频段,收集符合标准的CIR轨迹,与真实WiFi接入点的流量模式相匹配。我们的研究结果表明,SPARCS获得的微多普勒签名使一个典型的下游应用,如人类活动识别与现有方法相比,开销降低了7倍以上,同时实现了更好的识别性能。
2022-05-06 eess.SP
Sensing-Assisted Sparse Channel Recovery for Massive Antenna Systems
针对大规模天线系统的信道估计问题,提出感知辅助的稀疏信道恢复方法,利用雷达感知确定稀疏基,结合压缩感知算法与用户反馈恢复信道,在有限反馈下降低训练开销、提升恢复精度与可达速率。
2023-11-10 cs.IT eess.SP math.IT
Metrics for Evaluating the Efficiency of Compressing Sensing Techniques
压缩传感由于其能够加快数据采集的速度而受到许多领域研究人员的极大关注。当信号在某些域中稀疏时,该框架允许快速信号采集和压缩。该方法利用少量的样本从高维稀疏信号中提取主要信息,然后从少量的测量数据中恢复出稀疏信号。在使用压缩感知时,有两个要点需要考虑。第一个是如何设计线性测量矩阵以确保压缩传感满足应用目标。第二个问题是如何从少量测量中恢复稀疏信号。执行压缩感知需要分析和研究测量矩阵和恢复算法的效率。迄今为止,构造显式测量矩阵和开发有效的恢复算法在应用中仍然是一个开放的挑战。因此,本文描述的指标来评估压缩感知技术的性能。
2020-03-16 cs.IT eess.SP math.IT
Sparse Array Enabled Near-Field Communications: Beam Pattern Analysis and Hybrid Beamforming Design
Harbin Institute of Technology(哈尔滨工业大学);Southern University of Science and Technology(南方科技大学);University of Science and Technology of China(中国科学技术大学)
本文提出利用稀疏阵列实现近场通信,通过分析波束图案并设计混合波束成形方案,有效抑制格栅峰干扰,提升通信效率。
2024-01-11 cs.IT eess.SP math.IT
Sparse Orthogonal Matching Pursuit-based Parameter Estimation for Integrated Sensing and Communications
本文提出一种感知辅助的通信信道估计机制,通过基于OMP的粗估计与改进SAGE算法的精估计相结合,利用感知与通信信道共享AOA,显著提升了毫米波MIMO系统中的参数估计精度并改善了CRLB。
2025-03-04 cs.IT eess.SP math.IT
Encoder blind combinatorial compressed sensing
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所)
在其最基本的形式中,压缩感知研究解码算法的设计,以从低维线性测量向量恢复足够稀疏的向量或代码。通常,假设解码器可以访问编码器矩阵,其在组合情况下是稀疏的和二进制的。在本文中,我们考虑的问题,设计一个解码器恢复一组稀疏码的线性测量单独,即没有访问编码器矩阵。为此,我们研究的矩阵分解任务,恢复编码器和稀疏编码矩阵从相关的线性测量矩阵。本文的贡献是一个计算效率高的解码算法,解码器扩展器为基础的因式分解,具有很强的性能保证。特别是,在温和的假设下,稀疏编码矩阵,并通过部署一个新的随机编码器矩阵,我们证明了解码器扩展器为基础的因式分解恢复编码器和稀疏编码矩阵在最佳的测量速率与高概率,并从一个接近最佳数量的测量向量。此外,我们的实验证明了我们的算法在实践中的有效性和计算效率。除了压缩传感,我们的研究结果可能会感兴趣的研究人员在线性素描,编码理论和矩阵压缩等领域的工作。
2021-07-19 cs.DM cs.LG eess.SP
Alternating minimization algorithm with initialization analysis for r-local and k-sparse unlabeled sensing
Iowa State University(爱荷华州立大学);Tufts University(塔夫茨大学)
该研究针对无标签感知这一带置换测量的线性逆问题,提出适配k-稀疏与r-局部两类置换模型的带初始化交替最小化算法,推导了初始化误差界,实验验证其高效、鲁棒且在真实数据集的关联回归任务上优于基线方法。
2024-12-12 cs.IT cs.LG eess.SP