Sensing Matrix Design via Capacity Maximization for Block Compressive Sensing Applications
在压缩感知(CS)文献中已经很好地建立了其元素从独立的广义过程中提取的感知矩阵表现出增强的重构能力。在许多CS应用中,例如电磁成像,对测量系统的实际限制阻止以这种方式生成感测矩阵。虽然人们通常可以在一定程度上随机化的测量,这些传感矩阵不实现相同的重建性能作为真正随机化的传感矩阵。在本文中,我们提出了一种新的方法,基于容量最大化,设计传感矩阵增强块稀疏信号重建能力。通过几个数值例子,我们展示了我们的方法如何显着提高重建性能。
2018-03-22 cs.IT eess.SP math.IT
Compressive Sensing and Morphology Singular Entropy-Based Real-time Secondary Voltage Control of Multi-area Power Systems
针对多区域电力系统,提出了一种结合压缩感知(CS)的改进型二次电压控制(SVC)方法。SVC最大限度地减少了负荷母线的电压偏差,而CS通过减少基于相量测量单元(PMU)的监测系统输出的大量数据的大小来处理通信信道的有限带宽容量的问题。所提出的策略进一步结合了形态中值滤波器(MMF)的应用,以减少从PMU的输出噪声。为了保证控制区域的安全和局部保护,利用基于数学奇异熵(MSE)的故障识别方法快速发现控制区域中的故障。27节点和486节点电力系统的仿真结果表明,CS可以将数据量减少到原来的1/10,而基于MSE的故障识别技术可以准确区分故障和稳态条件。
2018-11-11 eess.SP
A Hierarchical View of Structured Sparsity in Kronecker Compressive Sensing
本文提出Kronecker压缩感知的层次视角,揭示多级稀疏模式,并设计两阶段稀疏恢复算法,在保持与现有方法相当恢复性能的同时显著降低运行时间。
2025-04-10 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
Performance Analysis of a Low-Complexity OTFS Integrated Sensing and Communication System
本文提出一种基于OTFS的ISAC系统低复杂度估计方法,通过定义低维矩阵并利用狄利克雷核性质精简矩阵,在保持车辆场景下距离和速度估计RMSE性能的同时大幅降低计算复杂度。
2023-10-16 eess.SP
Entropy-Based Sensing Schemes for Energy Efficiency in Massive MTC
针对大规模 MTC 中传感器数据高度相关的问题,本文利用相关矩阵的秩亏特性,提出在功率约束下关闭部分传感器并最大化熵的凸优化感知方案。
2024-12-07 eess.SP
Robust one-bit compressed sensing with partial circulant matrices
我们提出了一个现实的情况下,一位压缩感知问题的最佳样本复杂度估计:该程序使用结构化矩阵(随机子采样循环矩阵),是强大的模拟预量化噪声以及对抗性的比特腐败的量化过程。我们的研究结果意味着,量化是不是一个统计上昂贵的过程中存在的非平凡的模拟噪声:恢复需要相同的样本大小,一个将需要有高斯测量矩阵和噪声模拟测量数据。
2018-12-17 cs.IT eess.SP math.IT
Optimizing Sensing Matrices for Spherical Near-Field Antenna Measurements
在这篇文章中,我们解决的问题,减少所需的样本数量的球形近场天线测量(SNF)通过使用压缩感知(CS)。保证稀疏恢复算法的数值性能的条件是设计具有低互相关的感测矩阵。在不固定采样模式的任何部分的情况下,我们提出了采样点,通过使用增广拉格朗日方法,最大限度地减少各自的传感矩阵的互相关。数值实验表明,所提出的采样方案产生了更高的恢复成功的相变图相比,其他已知的采样模式,如螺旋和Hammersley采样计划。此外,我们还证明了CS与优化的传感矩阵的应用程序需要更少的样本比经典的方法来重建球模系数(SMC)和远场图案。
2022-06-05 cs.IT eess.SP math.IT
Fundamental Limits of Joint Target Detection and Parameter Estimation - Characterizing Mixed-State Sensing Limits via Posterior Entropy Volume
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Purple Mountain Laboratories(紫金山实验室);Shenyang Aerospace University(沈阳航空航天大学);Nanjing University of Posts and Telecommunications(南京邮电大学)
本文建立混合状态感知的统一理论,通过后验熵体积与互信息刻画检测与估计的联合极限,证明最小后验熵体积为$2^{-I}$倍先验,并验证级联可达性。
2026-09-10 cs.IT eess.SP math.IT
A Weighted Generalized Coherence Approach for Sensing Matrix Design
Indian Institute of Technology, Bombay(印度理工学院孟买分校)
与使用随机生成的感测矩阵相比,优化感测矩阵w.r.t.已知一种精心设计的准则在给定一组压缩测量的情况下导致更好质量的信号恢复。在本文中,我们提出了推广的著名的互相关准则优化传感矩阵从随机初始条件。我们将这些概括称为双相干或三相干,并且它们基于阻止感测矩阵的任何一列接近其他列的稀疏线性组合的标准。我们还结合了训练数据,以通过加权相干性、加权双相干性或加权三相干性标准来进一步改进感测矩阵,这些标准根据感测矩阵列的重要性将权重分配给感测矩阵列。最后给出了一个求解优化问题的算法。最后,通过实验结果验证了该算法的有效性.
2021-10-06 cs.CV cs.IT eess.IV
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
Entropy and Energy Detection-based Spectrum Sensing over F Composite Fading Channels
在本文中,我们研究了基于能量检测的频谱感知在F复合衰落信道的性能。为此,首先推导出平均检测概率的解析表达式。然后,这个表达式扩展到占协作频谱感知,平方律选择分集接收和噪声功率的不确定性。分析了不同平均信噪比、噪声功率不确定性、时间带宽积、多径衰落、阴影、分集分支数和协作用户数条件下的接收机工作特性。研究表明,能量检测性能对多径衰落的严重程度和阴影量很敏感,因此即使这些物理现象中的任何一个的微小变化也会显着影响检测概率。作为评价检测性能的一个品质因数,ROC曲线下的面积(AUC)推导并评估不同的多径衰落和阴影条件。香农熵和交叉熵的封闭形式的表达式也制定和评估不同的平均信噪比,多径衰落和阴影条件。然后检查香农熵和ROC/AUC之间的关系,其中发现编码信号所需的平均比特数变小(即,低香农熵)。通过比较Rayleigh衰落和Nakagami-m衰落的交叉熵,强调了复合衰落与传统小尺度衰落的区别。通过与一些模拟结果的仔细比较,提供了一个验证的分析结果。
2018-07-16 cs.IT eess.SP math.IT
Fast binary embeddings, and quantized compressed sensing with structured matrices
本文研究了压缩感知中的距离保持二值嵌入和量化两个相关问题。首先,我们提出了快速的方法来取代点的子集$\mathcal{X} \subset \mathbb{R}^n$,与欧几里德度量,与点的立方体$\{\pm 1\}^m$,我们将立方体与一个伪度量,近似欧几里德之间的距离在$\mathcal{X}$。我们的方法依赖于量化快速约翰逊-林登施特劳斯嵌入的基础上有界正交系统和部分循环系综,这两个承认快速变换。我们的量化方法利用噪声整形,包括Σ-Δ方案和分布式噪声整形方案。在$m$中,所产生的近似误差以多项式和指数形式快速衰减,具体取决于嵌入方法。这大大优于当前与二进制嵌入和汉明距离相关的衰减率。此外,这是第一个这样的二进制嵌入的结果,适用于快速约翰逊-林登施特劳斯映射,同时保持$\ell_2$规范。其次,我们再次考虑噪声整形方案,尽管这一次是为了消除由有界正交系综和部分循环矩阵产生的压缩感知测量。我们表明,这些方法产生的重建误差,再次衰减的测量(和位)的数量,当使用凸优化重建。具体来说,对于Sigma-Delta方案,误差随测量次数呈多项式衰减,而对于基于Beta编码的分布式噪声整形方案,误差呈指数衰减。这些结果是近最优的,第一次处理有界正交系统。
2018-07-18 cs.IT eess.SP math.IT
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing
Harvard University(哈佛大学)
针对聚类多任务压缩感知现有推理算法高维场景下计算成本高、扩展性差的问题,提出结合蒙特卡洛采样与迭代线性求解器的新算法,避免显式计算大型协方差矩阵,实现速度最高数千倍、内存效率一个数量级的提升。
2023-09-30 cs.LG eess.SP stat.ML
Learning a Compressive Sensing Matrix with Structural Constraints via Maximum Mean Discrepancy Optimization
Technische Universität München(慕尼黑工业大学)
我们引入了一个基于学习的算法来获得一个测量矩阵的压缩感知相关的恢复问题。重点在于具有恒模约束的矩阵,其通常表示混合预编码/组合架构中的模拟移相器的网络。我们将具有限制等距性质的矩阵解释为从高维超球面到低维超球面的点的映射。我们认为,低维超球面上的点,即在矩阵的范围内,应均匀分布,以增加对测量噪声的鲁棒性。这个概念是正式的优化问题,它使用的目标函数中的最大平均差异度量之一。最近在神经网络相关主题中这种度量的成功激励了基于机器学习的问题的解决方案。数值实验显示出比通常在压缩感知上下文中采用的随机测量矩阵更好的性能。此外,我们适应的方法从文献中的常数模量约束。该方法也可以与随机矩阵竞争,如果将其用作初始化,则与所提出的基于学习的方法很好地协调。最后,我们描述了其他结构矩阵约束,例如,也可以考虑Toeplitz约束。
2021-10-14 cs.IT cs.LG eess.SP
An Approximate Message Passing Algorithm for Rapid Parameter-Free Compressed Sensing MRI
对于某些传感矩阵,近似消息传递(AMP)算法有效地重建欠采样信号。然而,在以可变密度对自然图像的傅立叶系数进行采样的磁共振成像(MRI)中,AMP遇到收敛问题。作为回应,我们提出了一种算法的基础上,正交AMP构造的变密度部分傅立叶传感矩阵。在这种情况下,首次观察到了状态演化。状态演化的一个实际优点是Stein的无偏风险估计(SURE)可以有效地实现,产生一个没有自由参数的算法。我们经验性地评估了无参数算法在模拟数据上的有效性,发现它比快速迭代收缩保持(FISTA)收敛快5倍以上,并获得更低的均方误差解。
2020-09-07 cs.IT cs.NA eess.SP
Generalized Tensor Summation Compressive Sensing Network (GTSNET): An Easy to Learn Compressive Sensing Operation
Tampere University(坦佩雷大学);Qatar University(卡塔尔大学)
在压缩感知文献中,人们的努力可以分为两组:找到一个最大限度地保留压缩信息的测量矩阵,以及找到一个压缩信息的重建算法。在传统的CS设置中,测量矩阵被选择为随机矩阵,并且使用基于优化的迭代解来恢复信号。然而,当我们处理大信号时,使用随机矩阵变得很麻烦,特别是在基于迭代优化的解决方案中。尽管最近基于深度学习的解决方案在提高重建精度的同时加快了恢复速度,但联合学习整个测量矩阵仍然是一个困难的过程。在这项工作中,我们介绍了一个可分离的多线性学习的CS矩阵表示为任意数量的张量的总和。对于CS操作被设置为单个张量乘法的特殊情况,模型被简化为基于学习的可分离CS;而稠密CS矩阵可以近似和学习为多个张量的总和。这两种情况都可以用在二维或多维信号的CS中,结构CS矩阵也可以很容易地近似和学习我们的多线性可分离学习设置与结构张量和表示。因此,我们的可学习广义张量求和CS操作封装了大多数CS设置,包括可分离CS,不可分离CS(传统的向量矩阵乘法),结构CS和多维信号的CS。对于灰度和RGB图像,所提出的方案超过了大多数最先进的解决方案,特别是在较低的测量速率。虽然从灰度图像的张量到张量表示的总和的性能增益仍然有限,但在RGB情况下变得显著。
2021-08-04 cs.IT cs.LG eess.SP
QCM-SGM+: Improved Quantized Compressed Sensing With Score-Based Generative Models
Zhejiang University(浙江大学);The University of Tokyo(东京大学)
针对量化压缩感知中QCS-SGM算法仅适用于行正交感知矩阵的局限,提出QCS-SGM+变体,通过贝叶斯推断和期望传播计算似然分数,有效处理一般感知矩阵并显著提升恢复性能。
2024-01-08 cs.IT cs.LG eess.SP