Event-driven signal reconstruction through neuromorphic compressive sensing
Imperial College London(帝国理工学院)
针对传统压缩感知成本受系统维度限制的问题,提出以S-LISTA为核心的神经形态压缩感知框架,通过稀疏事件表示实现资源节省,在保持性能的同时显著降低传输与重建能耗。
2026-09-24 eess.SP
Design of Artificial Interference Signals for Covert Communication Aided by Multiple Friendly Nodes
针对多友好节点辅助隐蔽通信,提出基于信道统计信息优化人工噪声空间基矩阵的方法,并用定制 R-SVRG 在复 Stiefel 流形上求解,证明收敛性且性能优于高斯人工噪声。
2024-05-09 eess.SP
Optimal Sampling and Reconstruction of Graph Signals in the Fractional Fourier Domain
Nanjing University of Information Science and Technology(南京信息工程大学);Hubei University(湖北大学);Shanghai Jiao Tong University(上海交通大学);Nanjing Institute of Technology(南京工程学院)
研究图形信号在分数阶傅里叶域的采样与重构,提出基于GFRFT域的框架,引入分数阶作为参数,通过统一公式结合多种先验,得出多种方法,理论分析表明其能提供更优表示,实验显示该域采样重构性能优于GFT域方法。
2026-07-20 eess.SP
Generalized Graph Signal Reconstruction via the Uncertainty Principle
本文提出广义图信号的新型不确定性原理,通过联合顶点-时间与频谱-频率展宽构建能量集中原子字典,以提升不完整或间歇数据下的信号重建精度与噪声鲁棒性。
2024-09-06 eess.SP
Reconstruction of Time-varying Graph Signals via Sobolev Smoothness
图形信号处理(GSP)是一个新兴的研究领域,它将数字信号处理的概念扩展到图形。GSP在传感器网络、机器学习和图像处理等不同领域有着广泛的应用。静态图形信号的采集与重构在GSP中占有核心地位。然而,许多真实世界的图形信号本质上是时变的,并且这种图形信号的时间差的平滑度可以用作先验假设。在目前的工作中,我们假设图信号的时间差是平滑的,我们引入了一种新的算法的基础上扩展的Sobolev平滑函数的重建时变图信号从离散样本。我们通过研究与我们的优化问题相关的Hessian条件数,探索了我们的时变图信号重建通过Sobolev平滑(GraphTRSS)算法的收敛速度的一些理论方面。我们的算法的优点是收敛速度比其他方法,是基于拉普拉斯算子,而不需要昂贵的特征值分解或矩阵求逆。在包括两个COVID-19数据集在内的多个数据集上对所提出的GraphTRSS进行了评估,并且它在时变图形信号重建方面优于许多现有的最先进方法。GraphTRSS还在两个环境数据集上表现出出色的性能,用于恢复颗粒物和海面温度信号。
2022-07-13 eess.SP
Constrained Sampling: Optimum Reconstruction in Subspace with Minimax Regret Constraint
本文研究广义采样重构过程(GSRPs)的最优重构问题。我们提出了约束GSRP,一种新的框架,最大限度地减少在一个子空间中的输入的重建误差,在整个信号空间中的任何其他信号的最大遗憾误差的约束。该框架解决了现有GSRP的主要限制(一致,子空间和极大极小遗憾),即假设\emph{a priori}子空间是完全已知或完全忽略。我们制定约束GSRP作为一个约束优化问题,其解决方案原来是一个凸组合的子空间和极大极小遗憾采样。对重构误差的详细理论分析表明,约束采样实现了1)对于输入子空间中的信号是(次)最优的重构,2)对于输入子空间周围的信号是鲁棒的重构,以及3)对于任何其他信号都是合理有界的重构,其中约束参数的简单选择。高斯输入和语音信号的采样重构实验结果表明了该方法的有效性。
2019-10-17 eess.SP
Signal Reconstruction from Phase-only Measurements: Uniqueness Condition, Minimal Measurement Number and Beyond
本文研究了从$\textbf{Ax}$的相位恢复$\mathbb{C}^d$中复值信号$\textbf{x}$的纯相位重构问题,其中$\textbf{A}$是$\mathbb{C}^{m\times d}$中的给定测量矩阵。如果可能的话,重建应该达到正的比例因子。通过使用判别矩阵的秩,唯一性条件来表征潜在的信号是否可以被唯一地重建。我们还对最小测量数问题感兴趣。我们表明,至少$2d$,但不超过$4d-2$测量需要重建的所有$\textbf{x}\in\mathbb{C}^d$,而最小的测量数量正是$2d-1$,如果我们追求的几乎所有的信号的恢复。此外,当适用于$\textbf{x}\in\mathbb{R}^d$的纯相位重建时,我们的唯一性条件比现有的条件更实用和一般。我们的理论结果可以直接推广到仿射纯相位重构,其中对于某些$\textbf{b}\in\mathbb{C}^m$观察到$\textbf{Ax}+\textbf{b}$的相位。
2023-01-31 eess.SP
Direct Reconstruction of Distorted Signals and Images Using Shifts Methods
提出了分步移位和组合移位的数学方法,对实验数据进行处理,以重建被移位不变模糊所畸变的测量系统脉冲响应。所提出的方法基于直接非盲反卷积而不使用近似和积分变换。方法是快速和有效的准确的数据重建,这给了一个可能性,增加测量系统的有效分辨率的数学方法达到物理极限,而不解决昂贵的和相当困难的科学和技术问题。在不同的信号失真、噪声水平和数据量下,分步法和组合移位法在数据重建中互为补充。方法可以适用于多维数据的重建。考虑了匀速运动造成的二维图像模糊和函数造成的图像畸变,这些函数可以被分解,例如类高斯函数。对分步法和组合移位法进行了比较分析。重建不准确估计。被认为是在不同的失真的信号重建和图像重建的例子。
2019-01-14 eess.SP
Node-Adaptive Regularization for Graph Signal Reconstruction
图信号处理中的一个关键任务是从节点子集上的噪声观测中估计真实信号,也称为重建问题。在本文中,我们提出了一个节点自适应正则化的图形信号重建,它超越了传统的吉洪诺夫正则化,产生更多的自由度,因此,提高了性能。我们制定的节点自适应图信号去噪问题,研究其偏差方差权衡,并确定条件下,一个较低的均方误差和方差可以得到相对于吉洪诺夫正则化。与现有的方法相比,节点自适应正则化具有更普遍的先验的局部信号的变化,这可以通过优化设计的正则化权的Prony的方法或半定规划的基础上获得。由于这些方法需要额外的先验知识,我们还提出了一个极大极小(最坏情况)的策略,以解决这种额外的信息是不可用的情况。模拟和真实数据的数值实验证实了所提出的正则化策略的图形信号去噪和插值,并显示其改进的性能相比,竞争的替代品。
2021-02-04 eess.SP
Alternating Deep Low-Rank Approach for Exponential Function Reconstruction and Its Biomedical Magnetic Resonance Applications
针对信号重建中训练与目标数据不匹配导致重建效果下降的问题,提出结合深度学习与经典优化的交替深度低秩方法ADLR,可有效缓解不匹配并降低重建误差。
2024-08-14 eess.SP
Reconstruction of Complex Baseband Signals via M-Periodic Nonuniform Bandpass Sampling and Least-Squares Optimal Time-Varying FIR Filters
本文研究从M周期非均匀采样的实带通信号中重建数字复基带信号,提出一种基于最小二乘法的时变FIR滤波器闭式设计方法,在给定带宽下实现了最小滤波器阶数,优于现有截断技术。
2025-03-06 eess.SP
Kernel Based Reconstruction for Generalized Graph Signal Processing
本文将广义图信号处理中的信号重建问题建模为核岭回归问题,通过设计合适核实现分布式求解,并提供随机傅里叶特征在线实现及真实数据验证。
2023-08-14 eess.SP
Towards Accelerated Greedy Sampling and Reconstruction of Bandlimited Graph Signals
我们研究的问题,采样和重建频谱稀疏图信号的目标是选择一个子集的节点预先指定的基数,确保插值的原始信号与尽可能低的重建误差。这项任务是至关重要的图信号处理(GSP),而现有的方法通常提供令人满意的性能,他们通常需要一个令人望而却步的计算成本,当涉及到大规模的问题的研究。因此,需要针对高维和大规模采样和重建任务定制的加速和有效的方法。为此,我们首先考虑一个非贝叶斯的情况下,并提出了一个有效的迭代节点采样过程,在无噪声的情况下,使准确的原始信号从选定的节点集的恢复。在噪声测量的情况下,所提出的算法的重建误差上的界限建立。然后,我们考虑贝叶斯的情况下,我们制定的采样任务的问题,最大化单调弱次模函数,并提出了一个随机贪婪算法,找到一个次优子集的信息节点。我们得出最坏情况下的性能保证的均方误差实现的随机化贪婪算法一般非平稳图形信号。
2021-11-23 eess.SP
Generalized Design of Sampling Kernels for 2-D FRI Signals
有限新息率信号采样框架中的一个有趣问题是紧支持采样核的设计。在本文中,我们提出了一个通用的框架设计采样内核在2-D。我们考虑可分离和不可分离的内核。设计是在频域中进行的,其中一组混叠消除条件施加在内核的频率响应上。2-D信号的Paley-Wiener定理被调用,以获得具有紧支撑的容许核。作为一个特定的情况下,我们表明,一定的可分离的扩展的1-D设计框架的结果在2-D的调制样条(SMS)内核的总和。类似于他们的1-D同行,2-D SMS核有吸引力的功能,再现一类2-D多项式调制指数的所需的顺序。此外,支持的内核是独立的顺序。设计框架是通用的,也允许一个设计不可分离的采样内核。为此,我们展示了一个不可分离的内核的设计和目前的模拟结果。
2019-02-19 eess.SP
A Low-Rank and Joint-Sparse Model for Ultrasound Signal Reconstruction
随着超声成像中密集传感器阵列的引入,数据传输速率和数据存储成为超声系统设计中的瓶颈。为了减少采样信道数据的量,我们建议使用低秩和联合稀疏模型来表示US信号,并利用相邻接收信道之间的相关性。实验结果表明,该方法适用于超声信号,可以从低至10%的样本恢复高质量的图像近似。
2018-12-12 eess.SP
Signal Reconstruction using Blind Super-resolution with Arbitrary Sampling
本文讨论了基于任意采样和原子提升的稀疏信号盲超分辨问题。在对盲超分辨问题进行了全面的描述之后,指出利用长球面波函数(PSWFs)可以推导出盲超分辨问题的一种新的半定规划(SDP)。与以前的结果不同,新提出的SDP可以定位尖峰而不恢复幅度。通过数值模拟比较了该方法与现有相关研究的性能。
2019-07-08 eess.SP
A-Optimal Sampling and Robust Reconstruction for Graph Signals via Truncated Neumann Series
图信号处理(GSP)研究的是由图描述的不规则数据核上的信号。采样问题是GSP中的一个基本问题,即从图中的哪个节点子集中采集采样,以高保真地重建带限图信号。在本文中,我们寻求一种采样策略,最大限度地减少重建的带限图信号的均方误差(MSE)假设一个独立同分布(iid)的噪声模型-自然导致的A-最优设计标准。为了避免矩阵求逆,我们首先证明了A-最优准则中的信息矩阵的逆矩阵等价于一个Neumann矩阵级数。然后,我们将截断诺依曼级数为基础的采样问题转化为一个等价的表达式,取代拉普拉斯算子的特征向量与一个理想的低通图滤波器的子矩阵。最后,我们使用切比雪夫矩阵多项式来近似理想滤波器。我们设计了一个贪婪算法来迭代地最小化简化的目标。对于信号重建,我们提出了一个伴随的信号重建策略,重用近似滤波器子矩阵,并证明比传统的最小二乘恢复更强大。仿真结果表明,我们的采样策略优于以前的两个策略在MSE性能相当的复杂度。
2018-12-04 eess.SP
Sampling and Reconstruction of Bandlimited Signals with Multi-Channel Time Encoding
采样通常通过记录给定时刻输入信号的幅度来执行;然而,当设备的时钟具有未知的偏移时,使用多个设备并行采样和重构信号变得更难解决。或者,可以记录信号(或其积分)穿过给定阈值的时间。例如,这可以模拟整合和激发神经元,并由Lazar和Tóth以“时间编码机器”的名义进行研究。这种采样方法更接近于自然界中的采样方法。在本文中,我们表明,当使用时间编码机,从多个通道的重建有一个更直观的解决方案,并不需要机器之间的移位的知识。我们表明,如果单通道时间编码可以采样和完美地重建一个$\mathbf{2Ω}$的带宽有限的信号,然后$\mathbf{M}$通道时间编码移位积分器可以采样和完美地重建一个信号与$\mathbf{M}$倍的带宽。此外,我们提出了一个算法来执行此重建,并证明它收敛到正确的唯一的解决方案,在无噪声的情况下,没有知识的相对移位之间的机器的积分。这与经典的多通道采样非常不同,在经典的多通道采样中,采样设备之间的未知偏移对完美重建造成了问题。
2019-12-03 eess.SP
Reconstruction of Piecewise-Constant Sparse Signals for Modulo Sampling
Graduate School of Engineering Science, The University of Osaka(大阪大学工学研究科);Institute of Engineering, Tokyo University of Agriculture and Technology(东京农工大学工程学院)
本文提出了一种基于模采样和残差信号稀疏性的算法,用于更准确地重建分段常数稀疏信号。
2026-02-18 eess.SP
FRI-TEM: Time Encoding Sampling of Finite-Rate-of-Innovation Signals
经典采样基于在特定时间点获取信号幅度,最小采样率由信号中的自由度决定。该框架中的采样器由以大于或等于最小采样率的速率操作的全局时钟控制。在高采样率下,时钟消耗功率并且易于受到电磁干扰。积分激发时间编码机(IF-TEM)是一种替代的不需要全局时钟的功率高效采样机制。这里,样本是不规则间隔的基于阈值的样本。在本文中,我们研究了使用IF-TEM采样有限创新率(FRI)信号的问题。我们提供了理论上的恢复保证FRI信号与任意脉冲形状,脉冲之间的最小间隔没有任何约束。特别是,我们展示了如何设计一个采样内核,IF-TEM,和恢复方法,使FRI信号被完美地重建。然后,我们提出了一个修改的采样内核,以提高噪声鲁棒性。我们的研究结果使设计低成本和节能的FRI信号的模数转换器。
2021-06-15 cs.IT eess.SP math.IT
The Hermite and Fourier transforms in sparse reconstruction of sinusoidal signals
本文从跳频扩频信号稀疏化的角度出发,考察了Hermite域和傅里叶变换域。通过使用压缩感知方法,可以从减少的样本集合中恢复稀疏信号。本文还对欠采样和信号重构进行了分析。测量的数量(可用的信号样本)是不同的,重建性能进行了测试,在所有考虑的情况下,并为两个观察到的域。使用基于自适应梯度的算法来完成信号恢复。实验结果验证了理论的正确性。
2018-02-08 cs.MM eess.SP
Consistent Signal Reconstruction from Streaming Multivariate Time Series
University of Agder(阿格德尔大学);Simula Metropolitan Center for Digital Engineering(西穆拉城市数字工程中心)
针对流式多变量时间序列一致信号重构的研究空白,该研究首次形式化相关概念,提出兼具一致性保障且能利用时空依赖降误差的重构方法,实验验证其错误率衰减表现优于非一致重构方法。
2024-01-31 cs.LG eess.SP
Semi-supervised Stacked Label Consistent Autoencoder for Reconstruction and Analysis of Biomedical Signals
University of British Columbia(不列颠哥伦比亚大学);Indraprasatha Institute of Information Technology, Delhi, India(印度因德拉普拉斯信息技术学院(德里))
在这项工作中,我们提出了一个自动编码器为基础的框架,同时重建和分类的生物医学信号。以前,这两个任务,重建和分类被视为单独的问题。这是第一次提出一个综合框架,以整体的方式解决这个问题。用于远程监测的生物医学信号的重建技术主要基于基于压缩感知(CS)的方法,这些技术是基于关于信号的一些假设的重建公式设计的。在这项工作中,我们提出了一个新的范式重建我们学习重建。自动编码器可以被训练用于相同的。但由于最终目标是对信号进行分析和分类,我们在自动编码器内部学习了一个线性分类图。随后的优化问题的解决使用分裂布雷格曼技术。对心电心律失常分类信号和脑电癫痫分类信号进行了重构和分类实验。我们提出的工具能够以半监督的方式运行。我们表明,我们提出的方法是更好的,超过一个数量级的速度比基于CS的方法重建,它是能够实时操作。我们的方法也优于最近提出的分类方法。意义:这是第一个提供替代CS重建的工作。它还表明,表示学习可以产生比手工制作的信号分析特征更好的结果。
2019-12-11 cs.LG eess.SP
Generative adversarial network-based approach to signal reconstruction from magnitude spectrograms
University of Tsukuba(筑波大学);NTT Communication Science Laboratories, NTT Corporation(日本电报电话公司NTT通信科学实验室)
在本文中,我们解决的问题,重建时域信号(或相位谱图)单独从幅度谱图。由于幅度谱图不包含相位信息,我们必须恢复或推断相位信息来重建时域信号。Griffin和Lim提出了一种用于处理信号重构问题的广泛使用的方法。这种方法通常需要多次迭代来进行信号重建过程,并且根据输入,它并不总是产生高质量的音频信号。为了克服这些缺点,我们将基于学习的方法应用于信号重建问题,方法是使用深度神经网络对信号重建过程进行建模,并使用生成对抗网络的思想对其进行训练。实验结果表明,我们的方法能够更快地重建信号,具有更高的质量比Griffin-Lim方法。
2018-04-06 cs.LG eess.SP stat.ML
Reconstruction of the External Stimuli from Brain Signals
尽管脑机接口(BCI)的快速发展和不断努力,以提高大脑解码系统的准确性,迫切需要的系统,以重建用户的经验已被广泛认可。在过去的几年里,一些研究者从自然主义图像、抽象图像、视频和音频的重建方面对这种冲动进行了研究。在这项研究中,我们试图解决这个问题,通过回归的刺激频谱分析的大脑信号。我们的回归为基础的方法的结果表明,这种重建的可行性,使用神经影像学技术,是适当的实验室外的情况。
2017-11-14 cs.AI eess.SP
Iterative reconstruction of signals on graph
我们提出了一种迭代算法来内插图形信号从一个部分样本集。我们的方法是从著名的Papoulis-Gerchberg算法通过考虑的最优值的常数参与迭代步骤。与已有的图信号重构算法相比,该方法在收敛速度和计算效率方面都达到了相近或更好的性能。
2019-11-20 cs.NA eess.SP math.NA
LLM Online Spatial-temporal Signal Reconstruction Under Noise
Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tsinghua University(清华大学)
本文提出LLM-OSR框架,结合图信号处理与大语言模型实现在线时空信号重建,并在交通和气象数据上验证了其在噪声条件下的准确性与鲁棒性。
2024-11-24 cs.LG eess.SP
Biomedical Signals Reconstruction Under the Compressive Sensing Approach
本文分析了在有限的样本数下恢复不同生物医学信号的可能性。考虑到健康状况的监测是通过测量和观察关键参数来完成的,例如通过心电图或通过磁共振成像测量和观察心脏活动或解剖学和身体过程,重要的是保持尽可能好的重建信号的质量。为了从有限的可用系数集合中恢复信号,使用了压缩感知方法和优化算法。实验结果验证了理论的正确性。
2018-01-31 cs.MM eess.SP
Graph Signal Reconstruction Techniques for IoT Air Pollution Monitoring Platforms
Universitat Politecnica de Catalunya(加泰罗尼亚理工大学)
空气污染监测平台在预防和减轻污染影响方面发挥着非常重要的作用。图形信号处理领域的最新进展使得使用图形描述和分析空气污染监测网络成为可能。主要应用之一是使用传感器的子集在图中重建测量信号。使用来自传感器邻居的信息重建信号可以帮助提高网络数据的质量,例如用相关的邻居节点填充丢失的数据,或者用更准确的邻居传感器校正漂移的传感器。本文比较了使用各种类型的图形信号重建方法应用于西班牙空气污染参考站的真实数据集。所考虑的方法是拉普拉斯插值,图形信号处理低通为基础的图形信号重建,和基于核的图形信号重建,并在实际的空气污染数据集测量O3,NO2,和PM10进行了比较。的方法来重建污染物的信号的能力,以及这种重建的计算成本。结果表明基于核的图信号重构方法的优越性,以及该方法在具有大量低成本传感器的空气污染监测网络中的缩放困难。然而,我们表明,可扩展性可以克服简单的方法,如分区网络使用聚类算法。
2022-08-23 cs.LG cs.NI eess.SP
Exponential Signal Reconstruction with Deep Hankel Matrix Factorization
指数信号是一种基本的信号形式,如何快速地提取这种信号是信号处理的基本问题和前沿课题之一。为了实现该目标,可以采集部分数据,但是在其频谱中导致严重的伪影,这是指数的傅里叶变换。因此,在化学、生物学、医学成像等领域的快速采样中,可靠的光谱重建是非常重要的。在这项工作中,我们提出了一种深度学习方法,其神经网络结构是通过展开基于模型的最先进指数重构方法中的迭代过程来设计的,该方法具有低秩汉克尔矩阵分解。通过对合成数据和真实生物磁共振信号的实验,证明了该方法具有更低的重建误差和更好地保留低强度信号的能力。
2021-12-20 eess.SP physics.bio-ph physics.med-ph
CLEP-GAN: An Innovative Approach to Subject-Independent ECG Reconstruction from PPG Signals
University of Toronto(多伦多大学);York University(约克大学);Duke Kunshan University(昆山杜克大学);Fields Institute for Research in Mathematical Sciences(数学科学领域研究所)
提出CLEP-GAN,结合ODE合成数据、对比学习、对抗学习与注意力门控,实现受试者无关的PPG到ECG重建,并探讨人口统计因素对准确性的影响。
2025-02-24 cs.LG eess.SP
Comparison of some commonly used algorithms for sparse signal reconstruction
由于对信号的更快传播的过度需求以及减少测量次数和快速提高效率的必要性,已经提出了新的感测理论。遵循香农-奈奎斯特定理的传统采样方法要求采样率至少是信号最大频率的两倍。这促使科学家们研究创造一种新的路径的可能性,以使用更少的样本来恢复信号,从而加快这一过程并满足更快实现的需求。因此,出现了压缩感知方法。这一突破使得信号处理和重建变得更加容易,更不用说它具有广泛的应用。本文对几种常用的稀疏信号恢复算法进行了比较。比较了重建精度、均方误差和执行时间。
2019-02-05 cs.IT eess.SP math.IT
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
Sampling and Reconstruction of Signals on Product Graphs
在本文中,我们考虑的问题,二次采样和重建的信号,驻留在一个产品图的顶点,如传感器网络的时间序列,基因组信号,或在社会网络中的产品评级。具体来说,我们利用底层域的产品结构和图因子中的样本节点。所提出的方案是特别有用的处理信号的大规模产品图。采样集是使用低复杂度的贪婪算法设计的,并且可以被证明是接近最优的。为了说明所开发的理论,提供了基于真实数据集的数值实验,用于采样3D动态点云和推荐系统中的主动学习。
2018-06-30 cs.IT eess.SP math.IT
On reconstruction algorithms for signals sparse in Hermite and Fourier domains
本论文是在数字信号处理领域的原创性贡献。在不同变换域上稀疏(高度集中)信号的重构是本文分析的主要问题。所考虑的域包括傅立叶,离散厄米,一维和二维离散余弦变换,以及各种时频表示。稀疏信号重建使用稀疏性措施,是,事实上,在所考虑的域中的信号浓度的措施。本文分析了压缩感知重构算法,并提出了新的解决方法。详细研究了丢失样本对分析变换域的影响,建立了与一般压缩感知理论的联系。这项研究提供了新的见解所产生的现象,由于信号样本的数量减少。理论上的贡献包括新的精确的数学表达式,描述重建算法的性能和结果,还包括研究的影响,加性噪声,稀疏水平和可用的测量的重建性能,重建误差和错误概率的精确表达式。研究了离散Hermite变换的参数优化问题,以及加性噪声对Hermite系数的影响,提出了新的参数优化和去噪算法。此外,还介绍了一种多变量多分量信号的分解算法,以及一种基于Wigner分布的瞬时频率估计算法。大量的数值算例和实验验证了所提出的理论,并揭示了新的实际应用的结果。
2019-09-17 cs.IT eess.SP math.IT
Signal Reconstruction from Quantized Noisy Samples of the Discrete Fourier Transform
Indian Institute of Technology Bombay(印度理工学院孟买分校);Stanford University(斯坦福大学)
在本文中,我们提出了两种变化的算法,用于从离散傅里叶变换(DFT)的一位或两位噪声观测信号重构。DFT的一位观测值对应于其实部的符号,而DFT的两位观测值对应于DFT的实部和虚部的符号。我们专注于图像的分析和模拟,从而使用的2D-DFT的符号。这类信号的选择是受以前的作品在这个问题上。对于我们的算法,我们表明,在信号重建的预期均方误差(MSE)是渐近成正比的采样率的倒数。样本受已知分布的加性零均值噪声的影响。我们解决这个信号估计问题,设计一个算法,使用压缩映射,基于Banach不动点定理。四个基准图像的数值测试表明,我们的算法的有效性。采用用于图像重建质量评估的各种度量,诸如PSNR、SSIM、ESSIM和MS-SSIM。在所有四个基准图像上,我们的算法在所有这些指标上的表现都大幅优于最先进的算法。
2022-01-09 cs.CV eess.IV eess.SP
Signal Reconstruction from Mel-spectrogram Based on Bi-level Consistency of Full-band Magnitude and Phase
Tokyo Metropolitan University(东京都立大学)
针对从梅尔频谱图等低维频谱表示重建时域信号的问题,提出一种基于优化、利用全带幅度与相位双层关系联合重建的方法,经多类音频信号实验验证有效。
2023-07-23 cs.SD eess.AS eess.SP
FFT reconstruction of signals from MIMO sampled data
本文提出基于MIMO采样数据的信号重建方法,证明周期带限信号可从MIMO输出样本中完美重建,并设计FFT算法统一FFT插值与多通道插值,同时分析混叠误差与噪声性能。
2024-08-21 cs.IT eess.SP math.CA