Revisiting Synthesis Model of Sparse Audio Declipper
音频去削的最新技术水平目前已经由Kitić等人的SPADE（SParse Audio DEClipper）算法实现。到目前为止，合成/稀疏变体S-SPADE被认为比其分析/cosparse对应物A-SPADE慢得多。事实证明，相反的情况是正确的：通过利用最近的投影引理，两种算法的单独迭代可以同样计算昂贵，而S-SPADE往往需要相当少的迭代收敛。在本文中，这两种算法进行了比较，在一系列的参数，如窗口长度，窗口重叠和冗余的变换。实验表明，虽然S-SPADE通常收敛更快，但在恢复质量方面的平均性能并不优于A-SPADE。
2018-07-11 eess.AS eess.SP
Efficient Rotating Synthetic Aperture Radar Imaging via Robust Sparse Array Synthesis
本文提出一种基于稳健稀疏阵列合成的ROSAR高效成像方法，通过离线计算稀疏孔径与滤波权重并引入主旁瓣稳健约束，利用非凸优化求解，在保持图像质量的同时将计算时间减少达90%。
2023-09-14 eess.SP
Multi-Layer Sparse Coding: The Holistic Way
Technion Israel Institute of Technology（以色列理工学院）
最近提出的多层稀疏模型提出了稀疏表示和卷积神经网络（CNN）之间的深刻联系。在其最初的概念中，该模型仅限于卷积合成表示的级联。在本文中，我们从一个更一般的模型开始，揭示了与全连接网络的有趣联系。然后，我们表明，这种多层结构承认一个全新的解释，在一个独特的合成和分析模型之间的共生关系：虽然最深的层确实提供了一个合成表示，中间层分解提供了一个分析对应。这种新的视角暴露了以前提出的追求方法的次优性，因为它们没有充分利用模型约束中包含的所有信息。有了这样的理解，我们解决基本的理论问题，重新审视以前的分析和扩展it. Motivated由以前的算法的局限性，我们然后提出了一个综合的-整体的-替代，同时估计模型中的所有表示，并分析所有这些不同的方案下随机噪声的假设。受合成分析对偶性的启发，我们进一步提出了一种整体追踪算法，该算法在合成和分析稀疏编码步骤之间交替进行，最终将整个模型作为一个整体进行求解，并具有可证明的改进性能。最后，我们提出的数值结果表明，我们的方法的实际优势。
2018-07-25 cs.LG eess.IV eess.SP
Topology in Sound Synthesis and Digital Signal Processing -- DAFx2022 Lecture Notes
University of Wisconsin - Milwaukee（威斯康星大学密尔沃基分校）
在奥地利维也纳举行的国际数字音频效果会议（DAFx-22）上，关于声音合成和数字信号处理中拓扑结构的教程的讲稿。
2022-11-10 cs.SD eess.SP
Space Alternating Variational Estimation Based Sparse Bayesian Learning for Complex-value Sparse Signal Recovery Using Adaptive Laplace Priors
由于其自正则化的性质和量化不确定性的能力，贝叶斯方法在广泛的稀疏信号恢复应用中取得了优异的恢复性能。然而，现有的方法大多是基于实值信号模型，与复值信号模型很少考虑。基于自适应最小绝对收缩和选择算子（LASSO）和稀疏贝叶斯学习（SBL）框架，提出了一种具有自适应Laplace先验的复杂稀疏信号恢复分层模型.此外，空间交替的方法被集成到算法中，以减少所提出的方法的计算复杂度。在实验中，对复高斯随机字典和不同类型的复信号进行了研究。这些实验表明，该算法提供了更好的恢复性能不同类型的复杂信号比国家的最先进的方法。
2022-09-06 eess.SP
General Total Variation Regularized Sparse Bayesian Learning for Robust Block-Sparse Signal Recovery
在不知道块大小和边界的情况下恢复块稀疏信号（例如在多天线毫米波信道模型中遇到的那些）是压缩感知（CS）算法的难题。我们提出了一种新的稀疏贝叶斯学习（SBL）方法的块稀疏恢复的基础上流行的CS为基础的正则化函数的输入变量与总变差（TV）。与对信号分量施加正则化的传统方法相反，我们正则化SBL超参数。这种迭代TV正则化SBL算法采用优化最小化方法，并将每次迭代减少为凸优化问题，从而可以灵活选择数值求解器。数值结果表明，TV正则化SBL算法对块结构的性质具有鲁棒性，能够恢复具有块模式分量和孤立分量的信号，适用于各种信号恢复系统。
2021-02-16 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
Markovian Block Sparse Signal Detection Using One Bit Measurements
本文针对马尔可夫伯努利-高斯块稀疏信号模型，提出一种基于一位测量的闭式检测方案，并给出理论分析与仿真验证，证明其优于现有检测器。
2024-03-17 eess.SP
Message Passing Based Block Sparse Signal Recovery for DOA Estimation Using Large Arrays
本文提出一种基于消息传递的块稀疏信号恢复算法，用于大规模阵列DOA估计，通过逆DFT构建稀疏模型，实现低复杂度高精度估计。
2023-09-01 eess.SP
Generalised Approximate Message Passing for Non-I.I.D. Sparse Signals
广义近似消息传递（GAMP）是一种近似贝叶斯估计算法，用于通过线性变换与可能的非线性后续测量模型观察到的信号。通过利用关于观察到的信号的先验信息，例如已知字典中的稀疏性，GAMP可以例如从欠定测量中重建信号-称为压缩感知。在稀疏信号设置中，GAMP的大多数现有信号先验假设输入信号具有i.i.d.条目在这里，我们提出了稀疏信号先验GAMP估计非独立同分布。通过对输入先验的非均匀加权，例如允许GAMP支持基于模型的压缩感知，对信号进行处理。
2018-12-03 eess.SP
A circuit for precise random frequency synthesis via a frequency locked loop
频率合成（FS）是一种对各种射频（RF）通信至关重要的技术，例如：移动电话，蓝牙，Wi-Fi，收音机，电视和卫星，以及其他需要稳定和可编程频率的周期性信号的设备。在这项工作中，我们提出了一个推广的FS技术的随机，非周期性信号，其主要用途是在新的领域的随机神经形态计算，信息安全和仪器。由于传统的FS电路不能与随机信号一起工作，我们引入了一种新的随机频率比检测器，它可以与随机信号和周期信号一起工作。
2019-02-25 eess.SP
Comparison of threshold-based algorithms for sparse signal recovery
信号处理和获取中的密集增长方法，即压缩感知方法，允许从少量随机获取的信号系数中恢复稀疏信号。本文分析了几种常用的基于阈值的稀疏信号重构算法。信号满足压缩感知理论所要求的条件。研究了正交匹配追踪、迭代硬保和单次迭代重建算法。在重建误差和执行时间方面的比较是在实验部分的文件。
2018-02-18 cs.MM eess.SP
Design and implementation of the net zero displacement filter for the synthesis of a mechanical shock signal under specified shock response spectrum
电子和光学产品在机械冲击环境下是脆弱的。设计的产品需要通过冲击测试和/或数值模拟进行验证，使用代表性的加速度-时间历史信号。然而，从测量得到的规范通常给出的冲击响应谱（SRS）没有相应的时间历程信号，因此，有必要从一个给定的SRS规范合成加速度时间历程。本文提出了一种净零位移滤波器和一种真实的时程合成方法。通过缩放相关的现场测量，可以合成加速度-时间历程，其可以满足净零位移约束和给定的SRS规范在$\pm$ 3 dB裕度内。
2020-05-15 cs.SY eess.SP eess.SY
Recovery of binary sparse signals from compressed linear measurements via polynomial optimization
从少量的线性测量中恢复具有有限值分量的信号是一个具有广泛应用和有趣的数学特性的问题。在压缩感知框架中，最近已经提出了定制的方法来处理有限值稀疏信号的情况。在这项工作中，我们专注于二进制稀疏信号，我们提出了一种新的配方，基于多项式优化。这种方法进行了分析和比较，最先进的二进制压缩传感方法。
2019-05-30 cs.LG eess.SP math.OC
Time-scale synthesis for locally stationary signals
我们开发了一种基于时间尺度合成的概率方法，用于局部平稳信号的建模。受我们以前工作的启发，该模型涉及零均值，复高斯小波系数，其分布变化作为时间的函数的尺度轴上的不定常平移。在最大后验方法中，我们提出了一个模型参数的估计，即随时间变化的尺度平移和一个基本的功率谱。所提出的方法说明了一个去噪的例子。它还表明，该模型可以处理本地平稳信号的快速频率变化，并提供在这种情况下，非常尖锐的时间尺度表示比synchroscrized或重新分配的小波变换更集中。
2020-02-07 eess.SP math.ST stat.TH
Simultaneous Block-Sparse Signal Recovery Using Pattern-Coupled Sparse Bayesian Learning
University of Electronic Science and Technology of China（电子科技大学）；China Academy of Engineering Physics（中国工程物理研究院）
在本文中，我们考虑块稀疏信号恢复问题的背景下，多个测量向量（MMV）与共同的行稀疏模式。我们开发了一种新的方法来恢复常见的行稀疏MMV信号，其中模式耦合的分层高斯先验模型被引入到共同的行稀疏MMV信号的系数的块稀疏性和相邻系数之间的统计依赖性的特征。与许多其他方法不同，该方法能够自动捕获未知信号的块稀疏结构。我们的方法是使用期望最大化（EM）的框架。仿真结果表明，该方法在恢复块稀疏共行稀疏模式MMV信号时具有较好的性能。
2017-11-06 cs.IT cs.LG eess.SP
BioDiffusion: A Versatile Diffusion Model for Biomedical Signal Synthesis
Texas State University（德克萨斯州立大学）；St. Edwards University（圣爱德华大学）
针对生物医学信号机器学习任务面临的数据稀缺、标注难等问题，提出扩散模型BioDiffusion用于多类多变量信号合成，经评估其生成质量优于现有主流时序生成模型，可提升相关任务准确率。
2024-01-27 cs.AI cs.LG eess.SP
Phase Transitions with Structured Sparsity
本文研究结构化稀疏信号的相变现象，基于高维凸多面体随机投影理论推导了块结构和树结构稀疏信号的强阈值表达式，揭示了结构对相变阈值的影响。
2024-11-15 cs.IT eess.SP math.IT
Stable Recovery of Weighted Sparse Signals from Phaseless Measurements via Weighted l1 Minimization
无相位压缩感知的目标是从其测量值的幅度恢复未知的稀疏或近似稀疏信号。然而，它不利用原始信号的任何支持信息。因此，我们在本文中的主要贡献是扩展无相位压缩感知的理论框架，将与信号的支持结构的先验知识。具体来说，我们调查两个条件，保证稳定恢复的加权$k$稀疏信号通过加权L1最小化没有任何相位信息。我们首先证明了加权零空间属性（WNSP）是加权k-稀疏相位可恢复的加权l1最小化成功的充分必要条件。此外，我们表明，如果一个测量矩阵满足强加权限制等距属性（SWRIP），那么原始信号可以稳定地恢复从无相测量。
2021-07-10 cs.IT eess.SP math.FA
