Attempted Blind Constrained Descent Experiments
Carnegie Mellon University（卡内基梅隆大学）
Blind Descent使用受约束但有指导的方法来学习权重。概率密度函数在维度的无限空间中是非零的（例子：高斯和正态概率分布函数）。在Blind Descent论文中，一些隐含的想法，包括逐层训练和逐过滤器训练（具有不同的批量大小），被提出作为可能的贪婪解决方案。对类似实验的结果进行了讨论。本文实验的Octave（和提出的PyTorch变体）源代码可以在https://github.com/PrasadNR/Attempted-Blind-Constrained-Descent-Experiments-ABCDE-上找到。这与https://github.com/akshat57/Blind-Descent的原始PyTorch源代码的ABCDE衍生物进行了比较。
2021-02-18 cs.LG eess.SP
Blind Demixing of Diffused Graph Signals
本文针对扩散图信号混合场景，提出联合识别图滤波器并分离稀疏输入信号的盲分离方法，推导不同支撑图下的分离可行性与恢复概率界，分析单图退化情形，并通过实验验证理论结果。
2023-04-30 eess.SP
Blind Deconvolution on Graphs: Exact and Stable Recovery
本研究针对图上扩散源定位的盲反卷积问题，借助扩散滤波器可逆性条件构建凸松弛线性规划方法，推导了无噪精确恢复与含噪稳定恢复条件，实验验证了算法有效性，将经典盲反卷积拓展至不规则图域。
2024-09-18 eess.SP
Unfolding Neural Networks for Compressive Multichannel Blind Deconvolution
Harvard University（哈佛大学）；Weizmann Institute of Science（魏茨曼科学研究所）
针对压缩稀疏多通道盲反卷积问题，提出了一种学习结构的展开神经网络。在这个问题中，每个通道的测量值被给出为公共源信号和稀疏滤波器的卷积。与以前的作品中，压缩是通过随机投影或通过应用一个固定的结构化压缩矩阵来实现不同，本文提出了从数据中学习压缩矩阵。给定完整的测量值，所提出的网络以无监督的方式进行训练，以学习源和估计稀疏滤波器。然后，给定估计的源，我们学习结构化压缩算子，同时优化信号重建和稀疏滤波器恢复。压缩的有效结构允许其实际的硬件实现。所提出的神经网络是一种基于展开方法构建的自动编码器：在训练时，编码器使用压缩算子和源将压缩测量映射到稀疏滤波器的估计中，线性卷积解码器重建完整的测量。我们证明，我们的方法是优于经典的结构化压缩稀疏多通道盲反卷积方法的精度和速度的稀疏滤波器恢复。
2021-02-12 cs.LG eess.SP
Unrolled Compressed Blind-Deconvolution
Harvard University（哈佛大学）；Indian Institute of Technology (IIT) Bombay（印度理工学院孟买分校）；Weizmann Institute of Science（魏茨曼科学研究所）
针对稀疏多通道盲反卷积问题，提出一种数据驱动的展开学习框架，通过滤波与子采样压缩信号并学习压缩滤波器，实现比优化方法更鲁棒的恢复性能及少样本下更强的泛化能力。
2023-05-18 cs.LG eess.SP
Blind Deconvolution of Sparse Graph Signals in the Presence of Perturbations
本文针对图信息存在扰动时的稀疏图信号盲解卷积问题，提出一种在顶点域中估计生成滤波器逆的优化估计器，并通过数值实验验证其有效性。
2023-09-16 eess.SP
Blind Room Impulse Response Identification via Reverberant Speech Spectrum Reconstruction
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）
提出Rec-RIR方法，基于卷积传递函数近似，通过多任务深度神经网络顺序去除噪声和混响，并利用混响语音频谱重建估计CTF滤波器，再通过伪侵入式测量转换为RIR，实现盲RIR识别，性能达到SOTA。
2026-06-29 eess.AS eess.SP
Blind Community Detection from Low-rank Excitations of a Graph Filter
本文考虑了一个新的框架来检测社区的图从观察信号在其节点。我们将观察到的信号建模为未知网络过程的噪声输出，表示为由一组未知的低秩输入/激励的图形滤波器。该模型的应用场景包括扩散动态，定价实验和意见动态。我们的目标不是学习图本身的精确参数，而是直接检索社区结构。本文表明，社区可以通过应用频谱方法的协方差矩阵的图形信号检测。我们的分析表明，社区发现的性能取决于一个“低通”属性的图过滤器。我们还表明，性能可以通过低秩矩阵加稀疏分解方法时，潜在的参数向量是已知的。数值实验证明了该方法的有效性。
2019-04-13 cs.SI eess.SP stat.ML
Manifold Gradient Descent Solves Multi-Channel Sparse Blind Deconvolution Provably and Efficiently
Carnegie Mellon University（卡内基梅隆大学）
多通道稀疏盲解卷积或卷积稀疏编码是指通过观察未知滤波器与多个稀疏输入信号的循环卷积来学习未知滤波器的问题。这个问题在信号处理、计算机视觉和逆问题中有许多应用。然而，由于观测值相对于未知滤波器和输入的双线性结构以及稀疏性约束，有效地学习滤波器是具有挑战性的。在本文中，我们提出了一种新的方法的基础上非凸优化球流形上最小化光滑代理的稀疏促进损失函数。它表明，流形梯度下降与随机初始化将可证明恢复过滤器，缩放和移位模糊，只要观察的数量是足够大的适当的随机数据模型下。数值实验表明，所提出的方法的性能与现有的比较。
2021-04-06 cs.IT cs.LG eess.SP
Graph Blind Deconvolution with Sparseness Constraint
Tokyo University of Agriculture and Technology（东京农工大学）；Japan Science and Technology Agency（日本科学技术振兴机构）
提出了一种图上信号的盲反卷积方法，该方法对原始信号具有精确的稀疏约束。图盲反卷积是一种用于从一组模糊和噪声测量中估计图上的原始信号的算法。对非零元素的数量施加约束对于许多不同的应用是期望的。本文研究了原始信源个数受约束的问题，它是一个带有$\ell_0$范数约束的优化问题。我们使用ADMM迭代求解器来解决这个非凸优化问题。利用合成信号进行的数值实验验证了该方法的有效性。
2020-10-27 cs.LG eess.SP
Exact Blind Community Detection from Signals on Multiple Graphs
图上支持的网络和数据在科学和工程中无处不在。本文研究了“盲”社区发现问题，在这里我们试图推断的社区结构的一个图模型给出了一组连接是未知的节点上的独立图信号的观察。我们将每个观察结果建模为过滤后的白噪声，其中底层网络结构随每个观察结果而变化。这些不同的网络结构被建模为一个潜在的种植分区模型（PPM）的独立实现，证明我们的假设是一个恒定的底层社区结构在所有的观察。在图过滤器和PPM参数的某些条件下，我们提出了用于确定（i）潜在社区的数量和（ii）PPM的相关分区的算法。然后，我们证明了统计保证的渐近和非渐近抽样的情况下。对真实数据和合成数据的数值实验证明了算法的有效性。
2020-01-29 cs.SI eess.SP
Efficient Dual-Blind Deconvolution for Joint Radar-Communication Systems Using ADMM: Enhancing Channel Estimation and Signal Recovery in 5G mmWave Networks
提出基于ADMM的框架，通过凸约束和近端算子迭代优化雷达信道与发射信号，实现毫米波联合雷达通信系统的双盲反卷积，有效提升信道估计与通信性能。
2026-06-07 eess.SP
Blind Inference of Eigenvector Centrality Rankings
我们考虑的问题，估计网络的特征向量中心只从节点上的数据，没有关于网络拓扑结构的信息。利用图滤波器的多功能性来建模网络过程，节点上支持的数据被建模为通过应用于白噪声的图滤波器的输出获得的图信号。我们试图通过绕过网络拓扑推断方法来简化中心性排名的下游任务，而是直接从图信号推断图的中心性结构。为此，我们提出了两个简单的算法排名一组节点连接的一组未观察到的边缘。我们推导出这些算法的渐近和非渐近保证，揭示了决定手头任务复杂性的关键特征。最后，我们说明了所提出的算法在合成和真实世界的数据集上的行为。
2020-08-26 cs.SI eess.SP
Blind Extraction of Equitable Partitions from Graph Signals
RWTH Aachen University（亚琛工业大学）
找到公平的分区是密切相关的提取图的对称性和兴趣在各种应用程序的上下文中，如节点的角色检测，集群同步，共识动态和网络控制问题。在这项工作中，我们研究了一个盲识别问题，我们的目标是恢复一个公平的网络分区，而不知道网络的边缘，但仅仅基于一个未知的图形过滤器的输出的观察。具体来说，我们考虑两个设置。首先，我们考虑一种情况，在这种情况下，我们可以控制输入到图过滤器，并提出了一种方法来提取分区的启发，著名的Weisfeiler-Lehman（颜色细化）算法。其次，我们将这个想法推广到一个设置，只观察输出的随机，低秩激励的图过滤器，并提出了一个简单的谱算法来提取相关的公平分区。最后，我们建立了理论上的误差范围，这种光谱检测方案所招致的，并进行数值实验，说明我们的理论结果，并比较两种算法。
2022-03-10 cs.LG eess.SP math.OC
Blind Graph Matching Using Graph Signals
针对底层图未知时先推断拓扑易受观测误差影响的问题，提出直接由图滤波器输出信号构建样本协方差矩阵并依据选定特征向量匹配节点的盲图匹配方法。
2024-03-30 eess.SP
Identifiability Conditions for Compressive Multichannel Blind Deconvolution
针对稀疏多通道盲反卷积的不适定可辨识问题，推导傅里叶域压缩测量下的确定性可辨识条件，提出核采样方案，以更少测量和通道实现辨识，助力低成本接收机构建。
2020-01-02 cs.IT eess.SP math.IT
Blind identification of Ambisonic reduced room impulse response
Orange Labs（Orange实验室）
本文针对广义时域速度矢量（GTVV）闭式表达中参考信号需为最小相位滤波器的假设限制，提出直接对构成GTVV时间序列的脉冲响应进行建模以放宽假设并实现更高效的盲系统辨识，实测实验验证了该方法的有效性。
2023-11-06 cs.SD eess.AS eess.SP
Decomposition of Higher-Order Spectra for Blind Multiple-Input Deconvolution, Pattern Identification and Separation
与普通功率谱一样，高阶谱（HOS）描述了在时间平移下不变的信号特性。与功率谱不同，HOS保留相位信息，从相位信息可以恢复信号波形的细节。在这里，我们考虑的问题，识别多个未知的瞬态波形内发生的合奏记录在相互随机延迟。我们开发了一种新的技术，用于恢复滤波器从HOS的波形检测的性能接近的最佳匹配滤波器，不需要有关波形的先验信息。与以前的技术通过HOS的信号识别，该方法同样适用于确定性和非确定性HOS的信号。在非确定性的情况下，它会产生一个添加剂分解，引入一个新的方法来分离的非高斯信号具有非确定性的高阶矩的分量过程。我们展示了与最小熵盲反卷积（MED）的密切关系，本技术通过避免对数值优化的需要而改进，同时仅需要时移、逐元素乘法和平均的数值稳定操作，使其特别适合于实时应用。HOS分解在实际信号中的应用通过心电图中正常和异常心跳的盲去噪、检测和分类来展示。
2019-08-25 eess.SP q-bio.QM stat.AP
Target Tracking Using the Invariant Extended Kalman Filter with Numerical Differentiation for Estimating Curvature and Torsion
针对目标实时运动状态估计问题，提出融合AISE数值微分与SE(3)上IEKF的FS-IEKF-AISE方法，在FS框架下估计速度、加速度及加加速度。
2025-01-08 cs.SY eess.SP eess.SY
Estimating States and Model Uncertainties Jointly by a Sparsity Promoting UKF
在许多工程领域中，只有所考虑系统的部分模型可用时的状态估计仍然是一个主要挑战。本文提出了一种联合平方根无迹卡尔曼滤波器，通过物理激励库函数的线性组合同时估计状态和模型不确定性。使用稀疏性促进方法，选择这些线性组合的选择，从而可以提取可解释的模型。结果表明，一个小的估计误差相比，传统的平方根无迹卡尔曼滤波器，并表现出增强的物理意义的模型。
2022-07-08 cs.SY eess.SP eess.SY
Semi-Blind Joint Channel and Symbol Estimation for IRS-Assisted MIMO Systems
智能反射面（IRS）是第六代无线系统的一项很有前途的技术，实现了智能无线电环境的概念。在本文中，我们提出了一种新的基于张量的接收机的IRS辅助的多输入多输出通信能够联合估计的信道和传输的数据流在半盲的方式。假设完全无源IRS架构并在发射机处引入简单的空时编码方案，可以有利地使用PARATUCK张量模型来构建接收信号模型，PARATUCK张量模型可以被视为并行因子分析和Tucker模型的混合。利用PARATUCK张量模型的代数结构，推导出一种半盲接收机。所提出的接收器是基于三线性交替最小二乘法，迭代估计两个涉及的- IRS-基站和用户终端-IRS-通信信道和发送的符号矩阵。我们讨论的可识别性条件，确保联合半盲恢复所涉及的信道和符号矩阵，并提出了一个联合设计的编码和IRS反射矩阵，以优化接收机的性能。对于所提出的半盲接收机，还提供了预期的Cramér-Rao下界的推导。所提出的接收机设计的数值性能评估证实了其优越的性能方面的归一化均方误差的估计信道和实现的符号出错率。
2022-05-20 cs.IT eess.SP math.IT
