Sub-Nyquist Cyclostationary Detection for Cognitive Radio
认知无线电需要对宽带信号进行高效可靠的频谱感知。为了应对采样率瓶颈,已经提出了低于奈奎斯特速率采样的新采样方法。然而,这样的技术降低了信噪比(SNR),恶化了后续能量检测的性能。循环平稳检测,它利用通信信号统计的周期性属性,在平稳噪声中不存在,是这种设置的一个自然的候选人。在这项工作中,我们考虑从子奈奎斯特样本的循环谱恢复,以实现效率和鲁棒性的噪声。为此,我们提出了一个结构化的压缩感知算法,扩展正交匹配追求占循环平稳性的结构。接下来,我们推导出一个下限的采样率所需的完美的循环频谱恢复中存在的平稳噪声,并表明,它可以从以下奈奎斯特获得的样本重建,没有任何稀疏约束的信号。特别地,在非稀疏设置中,可以以奈奎斯特速率的$4/5$恢复循环谱。如果感兴趣的信号是稀疏的,则采样率可以进一步降低到朗道速率的$8/5$。一旦循环谱被恢复,我们估计组成输入信号的传输数量,以及它们的载波频率和带宽。仿真结果表明,循环平稳检测优于能量检测,在低信噪比的次奈奎斯特制度。这在奈奎斯特状态中已经是已知的,但是在低于奈奎斯特采样率时甚至更加明显。
2016-11-04 cs.IT math.IT
Sub-Nyquist Sampling for Power Spectrum Sensing in Cognitive Radios: A Unified Approach
鉴于对新频段的需求不断增加以及对已分配频段的利用不足,出现了认知无线电(CR)的概念。主动用户可以在检测到其所有者没有活动后利用暂时空闲的频带。因此,CR周期中的关键任务之一是必须精确和高效的频谱感测和检测。然而,CR通常处理奈奎斯特速率非常高的宽带信号。在本文中,我们建议从子奈奎斯特样本,而不是在以前的工作中所做的信号本身,以执行检测重建这样的信号的功率谱。我们考虑稀疏和非稀疏信号以及盲和非盲检测稀疏的情况下。对于每一个的这些fracti,我们得出的最小采样率,允许完美的重建信号的功率谱在无噪声的环境中,并提供功率谱恢复技术,实现这些速率。在文献中考虑的两种不同的信号模型,我们称之为模拟和数字模型进行分析,并表明,两者导致类似的结果。仿真结果表明,功率谱恢复在无噪声设置的最小速率,并显示了几个参数的检测器的性能,包括信噪比(SNR),感测时间和采样率的影响。
2013-08-23 cs.IT math.IT
Automatic Modulation Recognition of PSK Signals with Sub-Nyquist Sampling Based on High Order Statistics
在N次幂非线性变换(NPT)方法中所需的采样率通常远大于奈奎斯特速率,这对模数转换器(ADC)造成了沉重的负担。利用NPT下PSK信号频谱的稀疏性,提出了一种适用于亚奈奎斯特采样PSK信号的NPT方法。本文将NPT方法与压缩感知理论相结合,提出了PSK信号N次幂非线性变换的频谱重构方法,该方法可进一步用于AMR以及未知载波频率和符号速率的粗估计。
2014-12-31 cs.IT math.IT
Can compressed sensing beat the Nyquist sampling rate?
“压缩感知(采样)”在信号离散化中的数据保存能力是有争议的,并发现远低于由信号稀疏性定义的理论上限。在一个简单而直观的例子中,它表明,在一个现实的情况下,被认为是稀疏的信号,可以实现一个大大大于压缩感测可以节省。它还表明,频繁的断言在文献中,“压缩感知”可以击败奈奎斯特采样方法是误导性的替代条款,根源于误解的采样理论。
2015-07-31 cs.IT math.IT physics.optics
Sparse Multiband Signal Acquisition Receiver with Co-prime Sampling
认知无线电(CR)需要在宽频段上进行频谱感知。宽带信号的高采样率是CR的关键任务之一。本文提出了一种基于互质采样技术的宽带稀疏信号捕获接收机。在这个建议的捕获接收机中,我们使用两个低速模数转换器(ADC)来捕获一个共同的稀疏多频带信号,其频带位置是未知的。两个ADC以互质采样速率同步时钟。将获得的样本重新排序成一组均匀的低速率序列。我们推导了接收机的频域数学模型,并给出了其信号重构算法。与现有的多陪集采样和调制宽带转换器等欠采样技术相比,该方法具有系统结构简单,只需两个采样器即可实现的优点。实验结果证明了该模型的可行性和优越性。对于谱支持未知的稀疏多带信号,该系统需要远低于奈奎斯特采样率的采样率,同时产生令人满意的重建。
2018-06-01 cs.IT eess.SP math.IT
A Novel Compressed Sensing Based Model for Reconstructing Sparse Signals Using Phase Sparse Character
相位调制是数字通信中常用的一种调制方式,它通常会给数字信号带来相位稀疏性。这是很自然的稀疏性与压缩感知(CS)的新出现的理论,它使亚奈奎斯特采样的高带宽稀疏信号。目前,压缩感知理论在通信领域的应用主要集中在频谱感知、稀疏信道估计等方面,而考虑相位稀疏特性的研究较少。本文基于相位稀疏性建立了相位调制信号的新模型,并将CS理论引入相位域。根据CS理论,这里所需的采样率与符号率成比例,而不是带宽,符号率通常比奈奎斯特速率低得多。本文为该模型提供了理论支持,并通过仿真验证了其有效性。
2014-12-31 cs.IT math.IT
Is "Compressed Sensing" compressive? Can it beat the Nyquist Sampling Approach?
数值计算了“压缩感知(采样)”在信号离散化中的数据压缩能力,发现其远未达到信号稀疏性定义的理论上界。它示出的情况下,当普通的采样与随后的数据压缩是禁止的,至少有一个更有效的,在数据压缩能力方面,更简单和直观的替代压缩感知:随机稀疏采样和恢复的图像带限近似的能量压缩能力的基础上的变换。它还表明,断言“压缩感知”可以击败奈奎斯特采样方法是植根于误解的采样理论。
2015-02-09 cs.IT math.IT physics.optics
Efficient Sampling of Sparse Wideband Analog Signals
周期性非均匀采样是对低于奈奎斯特速率的频谱稀疏信号进行采样的已知方法。该策略依赖于隐含的假设,即各个采样器暴露于整个频率范围。这种假设对于宽带稀疏信号变得不切实际。本文提出了一种不需要全频带前端的替代采样级。相反,信号是用模拟前端捕获的,模拟前端由一组乘法器和低通滤波器组成,其截止频率远低于奈奎斯特频率。从低速率采样恢复原始信号的问题可以在压缩采样的框架内进行研究。适当的参数选择可确保样本唯一确定模拟输入。此外,模拟输入可以用数字算法稳定地重构。数值实验支持了理论分析。
2009-01-26 cs.IT math.IT
On sampling theorem with sparse decimated samples: exploring branching spectrum degeneracy
本文研究了从抽取序列中恢复序列的可能性。结果表明,这种可恢复性与一定的谱退化的一种新的,和一个序列的一般类型可以近似具有这种退化的序列。这适用于连续时间带限函数的稀疏采样。该文件表明,这些功能允许一个任意接近的功能,可以恢复从稀疏等距样本的采样距离大于由临界奈奎斯特速率为基础的功能定义的距离。在某种意义上,这允许绕过由奈奎斯特速率定义的对采样率的限制。
2017-10-30 cs.IT math.IT math.ST
Pulse-Doppler Signal Processing with Quadrature Compressive Sampling
正交压缩采样(QuadCS)是一种新引入的用于获取射频信号的同相和正交(I/Q)分量的亚奈奎斯特采样。对于脉冲多普勒雷达的应用,QuadCS的输出可以安排在2维数据类似的奈奎斯特采样。本文提出了一种基于亚奈奎斯特采样的压缩采样脉冲多普勒(CoSaPD)处理方案。CoSaPD方案遵循多普勒估计/检测和距离估计,并且在子奈奎斯特样本上进行,而不恢复奈奎斯特样本。多普勒估计与经典处理一样,通过频谱分析仪实现。检测是在多普勒频点数据上完成的。通过稀疏恢复算法对检测到的目标进行距离估计,从而减少了计算量。该算法通过设置较低的检测门限来提高检测概率,并利用恢复算法固有的检测特性在距离估计阶段去除引入的假目标。仿真结果证实了我们的发现。CoSaPD方案的数据在八分之一的奈奎斯特速率和SNR高于-25dB可以实现经典的处理与奈奎斯特样本的性能。
2014-02-26 cs.IT math.IT
Multipolar Acoustic Source Reconstruction from Sparse Far-Field Data using ALOHA
本文提出一种两阶段方法,利用源稀疏性和ALOHA结构化汉克尔矩阵补全从亚采样远场数据恢复奈奎斯特采样数据,再通过傅里叶反演重建多极声源。
2023-10-29 cs.IT eess.SP math.IT
Compressive Sensing Techniques for Next-Generation Wireless Communications
一系列高效的无线过程和使能技术被放在放大镜下,以探索相关过程的不同表现形式,其中可以调用次奈奎斯特采样作为具有稀疏变换域表示的明确益处。例如,宽带下一代系统需要高奈奎斯特-采样率,但是在高奈奎斯特频率下,信道脉冲响应(CIR)将非常稀疏,因为反射传播路径的数量较少。这促使采用基于压缩感测的处理技术,以尽可能高效地节俭地利用有限的无线电资源和网络基础设施。各种复杂的压缩采样技术进行了调查,我们得出的结论与各种有前途的研究思路相关的大规模天线阵列,非正交多址接入(NOMA),超密集网络(UDN)的解决方案,仅举几例。
2017-09-07 cs.IT math.IT
Sub-Nyquist Radar: Principles and Prototypes
在过去的几年中,新的方法,雷达信号处理已被引入,使雷达执行信号检测和参数估计从少得多的测量比所需的奈奎斯特采样。这些系统-被称为子奈奎斯特雷达-将接收信号建模为具有有限的创新率,并采用XNUS框架来获得信号的低速率样本。亚奈奎斯特雷达利用目标场景稀疏的事实,促进在信号恢复中使用压缩感知(CS)方法。在本章中,我们将回顾几种基于这些原理的脉冲多普勒雷达系统。与其他基于CS的设计相反,我们的公式直接解决了空间和时间上的速率降低的模拟采样,避免了令人望而却步的字典大小,并且对噪声和杂波具有鲁棒性。首先,我们引入时间的亚奈奎斯特处理,用于估计目标位置,使用比传统系统更少的带宽。这为认知雷达与其他通信服务共享其发射频谱铺平了道路,从而为频谱拥挤环境中的共存提供了强大的解决方案。接下来,在不损害多普勒分辨率的情况下,我们通过在相干处理间隔或“慢时间”内以稀缺的方式发送交织雷达脉冲来减少停留时间。然后,我们考虑多输入多输出阵列雷达,并演示了空间亚奈奎斯特处理,它允许使用几个天线单元,而不会降低角分辨率。最后,我们展示了次奈奎斯特和认知雷达成像系统,如合成孔径雷达的应用。对于每种设置,我们提出了一个国家的最先进的硬件原型设计,以证明亚奈奎斯特雷达的实时可行性。
2019-02-04 cs.IT math.IT
Wideband Spectrum Sensing at Sub-Nyquist Rates
我们提出了一种混合的模拟-数字频谱感知方法,特别适合于典型的宽带设置的认知无线电(CR)。我们的系统相对于当前架构的优势是三方面的。首先,我们的模拟前端是固定的,不涉及扫描硬件。第二,模数转换(ADC)和数字信号处理(DSP)速率都大大低于奈奎斯特。最后,感测资源与CR的接收路径共享,使得除了它们提供的感测功能之外,低速率流采样还可以用于设备的通信目的。将这些优点结合起来,可以得到实时的频谱图,同时最小限度地使用移动资源。我们的方法是基于调制宽带转换器(MWC)系统,采样稀疏的宽带输入在次奈奎斯特速率。我们报告的硬件实验的结果,进行MWC原型电路,确认快速,准确的频谱感知并行CR通信。
2010-09-07 cs.AR cs.IT math.IT
A NLLS Based Sub-Nyquist Rate Spectrum Sensing for Wideband Cognitive Radio
对于需要了解可用频带的系统和设备,例如认知无线电和网络,频谱感测具有重要作用。该领域的主要挑战是在宽带信号的感测中需要高采样率。本文提出了一种宽带频谱感知方法,该方法利用欠采样方案,在采样率方面带来了实质性的节省。有限数量的噪声样本的相关矩阵的计算和使用的非线性最小二乘(NLLS)估计检测占用和空闲的频谱通道。我们提供了作为采样参数和噪声功率的函数的检测阈值的表达式。同时,提出了一种顺序前向选择算法,以较低的复杂度找到占用信道。该方法可应用于相关和不相关的宽带多通道信号。与传统的能量检测使用奈奎斯特采样率的比较表明,所提出的方案可以产生类似的性能为SNR大于4 dB的小采样率的一个因素。
2014-08-20 cs.IT math.IT
Sub-Nyquist Radar via Doppler Focusing
我们调查的问题,单基地脉冲多普勒雷达收发器试图检测目标,稀疏的雷达的明确的时间-频率区域。过去的几个作品采用压缩感知(CS)算法,这种类型的问题,但要么不解决采样率降低,施加限制的雷达发射机,提出CS恢复方法与禁止字典大小,或在嘈杂的条件下表现不佳。在这里,我们描述了一种称为多普勒聚焦的亚奈奎斯特采样和恢复方法,它解决了所有这些问题:它执行低速率采样和数字处理,对发射机不施加限制,并且使用其大小不随脉冲数P的增加而增加的CS字典。此外,在存在噪声的情况下,多普勒聚焦享有随P线性缩放的SNR增加,即使在信噪比低至-25dB的情况下也能获得良好的检测性能。该恢复基于XADR 2000框架,该框架允许直接在模数转换过程中减少准确表示信号所需的样本数量。采样后,对低速率采样执行整个数字恢复过程,而不必返回到奈奎斯特速率。最后,我们的方法可以实现在硬件中使用以前建议的Xcovery原型。
2013-09-22 cs.IT math.IT
A Constrained Random Demodulator for Sub-Nyquist Sampling
本文对Tropp等人的随机解调器(RD)进行了一个重要的改进,用于频率稀疏信号的欠奈奎斯特采样。被称为约束随机解调器的修改涉及用对其切换速率具有限制的约束随机波形替换对于RD的操作必不可少的随机波形,因为快速切换波形可能难以干净地生成。其结果是对硬件要求的放松,恢复保证略有减少,但可管理。本文还建立了适当选择的约束随机波形的统计量的重要性。如果随机波形的功率谱匹配输入信号的音调上的分布(即,该分布与功率谱成比例),则改善了输入信号音调的恢复。通过大量的数值模拟和相变曲线验证了本文提供的理论保证。
2012-12-09 cs.IT math.IT
Automatic Modulation Recognition of PSK Signals Using Nonuniform Compressive Samples Based on High Order Statistics
相位调制是数字通信中常用的一种调制方式,它通常会给数字信号带来相位稀疏性。这是很自然的稀疏性与压缩感知(CS)的新出现的理论,它使亚奈奎斯特采样的高带宽稀疏信号。目前,压缩感知理论在通信领域的应用主要集中在频谱感知、稀疏信道估计等方面,而考虑相位稀疏特性的研究较少。本文基于相位稀疏性建立了相位调制信号的新模型,并将CS理论引入相位域。根据CS理论,这里所需的采样率与符号率成比例,而不是带宽,符号率通常比奈奎斯特速率低得多。本文为该模型提供了理论支持,并通过仿真验证了其有效性。
2014-12-31 cs.IT math.IT
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
A New Analysis for Support Recovery with Block Orthogonal Matching Pursuit
压缩感知(Compressed Sensing,CS)是一种能够从线性测量中精确恢复稀疏信号的信号处理技术,其测量次数远少于经典Shannon-Nyquist定理所要求的测量次数。阻塞稀疏信号,即,其非零系数出现在几个块中的稀疏信号产生于许多场。块正交匹配追踪(BOMP)算法是一种高效的块稀疏信号恢复贪心算法。BOMP算法充分利用了块稀疏信号的块稀疏性,可以获得很好的恢复性能。本文提出了一个充分条件,以确保BOMP可以准确地恢复块$K$稀疏信号的支持在噪声的情况下。这个条件比现有的条件好。
2018-11-06 cs.IT math.IT
Gridless Quadrature Compressive Sampling with Interpolated Array Technique
正交压缩采样(QuadCS)是一种用于雷达中获取同相和正交(I/Q)分量的亚奈奎斯特采样方案。在该方案中,接收到的中频(IF)信号被表示为发送波形的时间延迟和缩放副本的线性组合。对于离散时延空间网格上的稀疏中频信号,QuadCS可以有效地从亚奈奎斯特采样重构I/Q分量。实际上,信号的特征在于连续空间中的一组未知的时延参数。传统的稀疏信号重建会降低QuadCS重建的性能。本文主要研究具有连续延迟参数的I/Q分量的重构问题。定义了一种参数化谱匹配字典,该字典通过延迟参数和增益系数稀疏地描述了中频信号的频域特性,并在新字典下对QuadCS系统进行了重新分析。利用QuadCS系统的固有结构,可以将时延参数的估计与稀疏增益系数的估计解耦,从而得到一种具有时变波束形成矩阵的波束空间波达方向(DOA)估计公式。在此基础上,提出了一种内插波束域DOA估计方法。建立了一种最优插值阵,并给出了保证时延参数估计成功的充分条件。利用估计的时延,可以方便地通过求解线性最小二乘问题来确定增益系数。大量的仿真结果表明,该算法在重构具有连续延迟参数的稀疏信号时具有优越的性能。
2015-03-02 cs.IT math.IT
Using Correlated Subset Structure for Compressive Sensing Recovery
Alcatel-Lucent(阿尔卡特朗讯)
本文提出一种利用感知矩阵列间相关子集结构的压缩感知恢复算法,并给出了算法原理和实验比较。
2013-06-10 cs.IT cs.NA math.IT
Xampling: Signal Acquisition and Processing in Union of Subspaces
我们介绍了XESTIC,一个统一的框架,信号采集和处理的信号在一个联盟的子空间。这个框架的主要功能有两个。在使用商用器件进行采样之前缩小输入带宽的模拟压缩。然后,在常规信号处理之前,非线性算法检测输入子空间。频谱稀疏信号的一个代表性的工会模型作为一个测试用例来研究这些Xcandy函数。我们采用三个指标的选择模拟压缩:鲁棒性模型失配,所需的硬件精度和软件的复杂性。我们进行了一个全面的比较两个子奈奎斯特采集策略的频谱稀疏信号,随机解调器和调制宽带转换器(MWC),在这些指标方面,并得出操作性的结论,关于模拟压缩的选择。然后,我们解决低速率信号处理,并为此目的,使方便的信号处理,从MWC获得的样本在次奈奎斯特速率开发一种算法。最后,我们表明,各种其他采样方法,不同的工会类很好地适应我们的框架。
2011-03-08 cs.IT math.IT
Chaotic Analog-to-Information Conversion with Chaotic State Modulation
混沌压缩感知是一种非线性的压缩感知框架。沿着这个框架,本文提出了一种混沌模拟-信息转换器,混沌调制,以获取和重建带限稀疏模拟信号在亚奈奎斯特速率。在混沌调制中,稀疏信号通过连续时间混沌系统的状态调制随机化,并采样一个状态输出作为压缩测量。利用混沌脉冲同步原理和Lp-范数正则化非线性最小二乘估计稀疏系数,实现重构。最大局部李雅普诺夫指数(SLLE)的概念被引入到研究的可重构性。研究发现,如果误差动力系统的最大SLLE为负,则稀疏信号是可重构的。以稀疏多音信号激励下的Lorenz系统和Liu系统为例,说明了该方法的原理和性能。
2013-10-21 cs.IT math.IT
Compressive Sampling of Ensembles of Correlated Signals
我们提出了几种采样架构,用于有效采集相关信号的集合。我们表明,在没有相关结构的先验知识,我们的每一个架构(在不同的假设集)可以获得合奏在一个子奈奎斯特速率。在采样之前,使用简单的、可实现的元件使模拟信号多样化。多样化是通过将“结构化随机性”类型注入到集合中来实现的,其结果是二次采样的。对于重建,系综被建模为低秩矩阵,我们通过一组(未确定的)线性方程组观察到。我们的主要研究结果表明,这个矩阵可以恢复使用标准的凸规划技术时,样本的总数是对合奏的内在自由度的顺序-更严重相关的合奏,需要更少的样本。为了激发这项研究,我们讨论了如何出现这样的合奏阵列处理的背景下。
2018-01-01 cs.IT math.IT
DOA Estimation in Partially Correlated Noise Using Low-Rank/Sparse Matrix Decomposition
本文研究了部分相关噪声环境中噪声协方差矩阵稀疏的波达方向估计问题。稀疏噪声协方差矩阵是由多个相距甚远的子阵组成的稀疏阵列的一种常用模型。由于子阵列中的传感器之间的元件间间距很小,所以子阵列中的噪声一般是空间相关的,而由于子阵列之间的距离很大,它们之间的噪声是不相关的。因此,这样的阵列的噪声协方差矩阵具有块对角结构,其确实是稀疏的。此外,在一个普通的非稀疏阵列,由于相邻的传感器之间的距离很小,有相邻的传感器之间的噪声耦合,而人们可以假设,非相邻的传感器具有空间不相关的噪声,这使得阵列噪声协方差矩阵稀疏。利用低秩/稀疏矩阵分解、矩阵完备化和稀疏表示中的一些最近可用的工具,我们提出了一种新的方法,该方法可以在上述部分相关噪声中解决可能相关甚至相干的源。特别是,当源不相关时,我们的方法涉及求解二阶锥规划(SOCP),如果它们相关或相干,则需要求解计算上更难的凸规划。我们证明了该算法的有效性,通过数值模拟和比较的Cramer-Rao界(CRB)。
2014-05-04 cs.IT math.IT
Sparse regression with highly correlated predictors
我们考虑线性回归$y=Xβ+u$,其中$X\in\mathbb{\mathbb{R}}^{n\times p}$,$p\gg n,$和$β$是$s$ -稀疏的.受金融和经济数据示例的启发,我们考虑$X$具有高度相关和聚集列的情况。为了在这种情况下执行稀疏恢复,我们引入了\emph{clustering removal algorithm}(CRA),它试图通过在不改变参数向量$β$的情况下删除聚类结构来降低$X$中的相关性。我们证明了只要对$X$的某些假设成立,解相关矩阵将以很高的概率满足限制等距性(RIP)。我们还提供了CRA的经验性能的例子,并将其与其他稀疏恢复技术进行比较。
2015-04-04 cs.IT math.IT
Guaranteed sparse signal recovery with highly coherent sensing matrices
Claremont McKenna College(克莱蒙特麦肯纳学院);Alcatel-Lucent(阿尔卡特朗讯)
本文提出PartInv算法,解决高相干感知矩阵下的稀疏信号恢复问题,提供理论支持和实证比较。
2014-04-01 cs.IT cs.NA math.IT
Compressed Sensing SAR Imaging with Multilook Processing
Xi’an Jiaotong University(西安交通大学);Institute of Electronics, Chinese Academy of Sciences(中国科学院电子学研究所)
多视处理是合成孔径雷达(SAR)成像中广泛采用的相干斑抑制方法。传统上,它是通过非相干求和的一些独立的低分辨率图像,从重叠的SAR信号的子带制定。然而,在压缩感知(CS)SAR成像的上下文中,在亚奈奎斯特速率下收集样本,数据频谱是高度混叠的,这阻碍了现有的多视技术的直接应用。本文提出了一种新的CS-SAR成像方法,该方法可以在图像重建过程中同时实现多视处理。其主要思想是用多视过程的逆过程代替SAR观测矩阵,然后将其与随机采样矩阵相结合,得到一个多视CS-SAR观测模型。然后,联合稀疏正则化模型,考虑像素的依赖性的子图像,推导出形成多视图像。该方法不仅可以在低于奈奎斯特速率的条件下有效地重建稀疏场景,而且在重建过程中也可以实现相干斑的抑制。仿真结果验证了该方法的有效性。
2013-10-27 cs.CV cs.IT math.IT
Cross Validation in Compressive Sensing and its Application of OMP-CV Algorithm
压缩传感(CS)是一种数据采集技术,其以低于其奈奎斯特速率的采样率测量稀疏或可压缩信号。结果表明,稀疏信号可以使用贪心算法重建,往往需要先验知识,如信号的稀疏性或噪声水平。作为先验知识的替代,交叉验证(CV),一种检验模型是否过拟合其数据的统计方法,已被提出来确定贪心算法的停止条件。本文首先分析了交叉验证在一个通用的压缩感知框架,并开发了通用的交叉验证技术,可以用来理解基于CV的稀疏恢复算法。此外,我们提供了理论分析OMP-CV,正交匹配追踪的交叉验证修改,它具有很好的稀疏恢复性能。最后,数值实验验证了我们的理论结果,并研究了OMP-CV的行为。
2016-02-20 cs.IT math.IT
Distributed Quantization for Measurement of Correlated Sparse Sources over Noisy Channels
在本文中,我们设计和分析了分布式矢量量化(VQ)的压缩测量相关的稀疏源噪声信道。受压缩感知(CS)的框架,用于获取压缩测量的稀疏源的启发,我们开发优化的量化方案,使分布式编码和传输的CS测量噪声信道,然后在解码器的联合解码。的最优性是解决相对于最小化的总和之间的稀疏源和它们的重建向量在解码器的均方误差(MSE)失真。我们提出了一个矢量量化编码器-解码器的设计,通过迭代算法,并推导出一个下界的研究分布式系统的端到端的MSE。通过几个模拟研究,我们评估所提出的分布式方案的性能。
2015-07-27 cs.IT math.IT
Granger Causality for Compressively Sensed Sparse Signals
压缩感知是一种允许使用比通过采用奈奎斯特采样定理的常规手段所完成的测量少得多的测量来获取、传输和存储稀疏信号的方案。由于许多自然发生的信号是稀疏的(在某些域中),因此压缩感知在许多应用物理和工程应用中迅速流行,特别是在设计信号和图像采集策略中,例如,磁共振成像、量子态层析成像、扫描隧道显微镜、模数转换技术。与此同时,因果推理已成为分析和理解过程及其相互作用的重要工具,在许多科学学科中,特别是那些处理复杂系统的学科。需要对压缩感测数据进行直接因果分析,以避免重构压缩数据的任务。此外,对于一些稀疏信号,诸如对于稀疏时间数据,可能难以使用可用的数据驱动/无模型因果关系估计技术来直接发现因果关系。在这项工作中,我们提供了一个数学证明,结构化的压缩感知矩阵,特别是循环和Toeplitz,保持因果关系的压缩信号域,格兰杰因果关系。然后,我们验证了这个定理的一些二元和多元耦合稀疏信号模拟压缩使用这些矩阵。我们还展示了一个现实世界中的应用网络因果连接估计稀疏神经尖峰训练记录从大鼠前额叶皮层。
2022-09-23 cs.IT eess.SP math.IT
Expected RIP: Conditioning of The Modulated Wideband Converter
压缩系统的感知矩阵影响相关稀疏恢复问题的稳定性。在本文中,我们研究的调制宽带转换器,最近提出的系统的亚奈奎斯特采样的模拟稀疏信号的传感矩阵。尝试用现有方法量化转换器感测矩阵的调节导致不合理的速率要求,这是由于该矩阵的相对小的尺寸。我们提出了一个新的条件的标准,命名为预期的限制等距属性,并推导出理论保证转换器,以满足此属性。然后,我们表明,将这些条件应用于流行的二进制序列,如最大码或Gold码,导致实际的速率要求。
2009-09-28 cs.IT math.IT
Efficiently Estimating a Sparse Delay-Doppler Channel
多个无线感测任务,例如,用于驾驶员安全的雷达检测涉及估计发射和接收的信号之间的“信道”或关系。在这项工作中,我们专注于一个特定的信道模型称为延迟多普勒信道。该模型开始在高频载波设置中有用,这随着毫米波技术的发展而变得越来越普遍。此外,延迟多普勒模型然后继续适用,甚至当使用大带宽的信号时,这是实现高分辨率信道估计的标准方法。然而,当期望高分辨率时,该标准方法导致与对效率的期望的紧张关系,因为特别地,它立即暗示了在播放中的信号存在于非常高维度$N$的空间中(例如,~ $10^6$(在某些应用中))。为了解决这个困难,我们提出了一种新的随机估计方案,称为稀疏信道估计,或简称SCE,用于$k$稀疏设置(例如,雷达探测中的$k$物体)。该方案涉及的估计过程的采样和空间复杂度性都在$k(logN)^3$的顺序,和$k(log N)^3 + k^2$的顺序的算术复杂性,对于$N$足够大。据我们所知,稀疏信道估计(SCE)是第一个同时实现这些复杂性的方法--它似乎非常有效!作为一个附加的优点,它是三个成分的简单组合,其中两个是众所周知的和广泛使用的,即数字线性调频信号和离散高斯滤波器函数,第三个是稀疏快速傅立叶变换算法的最新发展。
2020-11-21 cs.IT eess.SP math.IT
Unlabelled Sensing: A Sparse Bayesian Learning Approach
我们解决了稀疏向量的恢复在一个过完备的,线性的和嘈杂的多个测量框架,其中的测量矩阵是已知的,它的行的排列。我们推导出稀疏贝叶斯学习(SBL)为基础的联合恢复未知的稀疏向量和传感器的顺序,表示使用置换矩阵的更新。我们使用多个不相关和相关的向量模型的稀疏矩阵,特别是,我们使用一阶AR模型的相关稀疏向量。我们提出了置换MSBL和基于卡尔曼滤波的置换KSBL算法的低复杂度的联合恢复的不相关和相关的稀疏向量,连同置换矩阵。这项工作的新颖性出现在提供一个简单的更新步骤的置换矩阵使用的重排不等式。我们证明了均方误差和置换恢复性能的算法,使用Monte Carlo模拟。
2018-02-02 cs.IT math.IT
Compressive Multiplexing of Correlated Signals
我们提出了一个通用的架构,用于采集相关信号的合奏。通过将每个信号与不同的代码混合,然后将它们加在一起,将信号多路复用到一条线上,并以高速率对所得信号进行采样。我们表明,如果的$M$信号,每个频带限制为$W/2$赫兹,可以近似由叠加的$R < M$基本信号,然后可以恢复合奏采样率内的对数因子$RW$(相比于奈奎斯特率的$MW$)。该采样定理表明,信号集合的相关结构可以在捕获过程中被利用,即使它是先验未知的。重建的合奏重铸作为一个低秩矩阵恢复问题,从线性测量。我们正在考虑的架构对线性算子施加了某种类型的结构。虽然我们的研究结果依赖于混合形式是随机的,这种强加的结构导致一个非常不同类型的随机投影比低秩恢复文献中所分析的。
2018-06-12 cs.IT math.IT stat.AP
Reconciling Compressive Sampling Systems for Spectrally-sparse Continuous-time Signals
随机解调器(RD)和调制宽带转换器(MWC)是最近提出的两种用于捕获连续时间谱稀疏信号的压缩感知(CS)技术。它们将标准CS范例从采样离散的有限维信号扩展到采样连续的和可能无限维的信号,从而建立了以亚奈奎斯特采样率捕获这些信号的能力。RD和MWC具有非常相似的结构(相似的框图),但它们的重建算法和信号模型有很大的不同。到目前为止,很少有结果存在比较这些系统,由于它们可能对电磁扫描和认知无线电等应用中的频谱估计产生潜在影响,我们在本文中更全面地研究了它们之间的关系。我们表明,RD和MWC都是基于随机滤波的一般概念,但采用显着不同的采样函数。我们还调查系统的灵敏度(或鲁棒性)稀疏信号模型的假设。最后,我们表明,“块卷积”是MWC的一个基本方面,使其能够成功地采样和重建块稀疏(多频带)信号。基于这一概念,我们提出了一种新的捕获系统的连续时间信号的幅度是块稀疏。该文件包括详细的时间和频域分析的RD和MWC不同,有时很大,从公布的结果。
2011-10-10 cs.IT math.IT
Sampling and Distortion Tradeoffs for Bandlimited Periodic Signals
本文研究了加性高斯白噪声下高斯带限周期信号的最优采样策略(均匀和非均匀)和失真折衷问题。我们的重点是表征最佳采样位置以及最佳预采样滤波器,以尽量减少重建失真。我们首先表明,要实现最佳失真,没有预采样滤波器是必要的任何任意采样率。然后,我们提供了一个完整的表征低和高采样率(相对于信号带宽)的最佳失真。我们还提供了边界的重建失真率在中间区域。它表明,非均匀采样优于均匀采样低采样率。此外,最优非均匀采样集是鲁棒的缺失采样值。另一方面,对于高于奈奎斯特速率的采样率,均匀采样策略是最优的。随机离散周期信号的结果的扩展进行了讨论,仿真结果表明,从连续域进行到离散域的直觉。稀疏信号也被认为是,它表明,均匀采样是最佳的奈奎斯特速率以上。
2016-10-30 cs.IT math.IT
Gradually Atom Pruning for Sparse Reconstruction and Extension to Correlated Sparsity
我们提出了一种新的算法从压缩感知样本中恢复稀疏信号。该算法利用渐进移动的策略来估计稀疏信号中非零样本的位置。我们通过加权指数函数将每个信号样本分解为两个变量,即“值”和“检测器”。我们使用梯度下降方法更新这些新的变量。与传统的压缩感知算法一样,第一个变量用于解决最小绝对收缩和选择算子(Lasso)问题。作为一种新的策略,第二个变量参与Lasso(l1范数)的正则化项,逐渐检测非零元素。第二个变量的存在使我们能够将第一个变量的相应向量扩展为矩阵形式。这使得在信号样本之间存在相关性的情况下,可以将相关矩阵用于启发式搜索。我们比较了新算法的性能与各种算法的不相关和相关稀疏。实验结果表明了所提方法的有效性。
2012-04-03 cs.IT math.IT
Applications of Compressed Sensing in Communications Networks
本文介绍了一个教程CS在通信网络中的应用。香农采样定理指出,为了恢复信号,采样率必须至少是奈奎斯特速率。压缩感知(CS)基于一个令人惊讶的事实,即为了恢复在某些表示中稀疏的信号,可以以远低于奈奎斯特速率的速率进行采样。自2006年成立以来,CS引起了研究界的极大兴趣,并在天文学,生物学,通信,图像和视频处理,医学和雷达等领域获得了广泛的应用。CS在通信网络中也有成功的应用。CS被应用于无线信号的检测和估计、信源编码、多址信道、传感器网络中的数据汇集以及网络监控等。在许多情况下,CS被证明可以带来10倍数量级的性能增益。我们相信这只是CS在通信网络中应用的开始,未来CS在我们领域的应用将会更加富有成效。
2014-02-05 cs.IT cs.NI math.IT
Reducing ADC Sampling Rate with Compressive Sensing
许多通信系统涉及高带宽而稀疏的射频(RF)信号。处理高频信号需要适当的系统级组件,如高速模数转换器(ADC)。具体而言,模拟信号应以满足奈奎斯特要求的速率采样,以避免混叠。然而,实现高速ADC器件可能是一个限制因素,而且成本高昂。为了减轻高速ADC的警告,可以在若干维度上探索解空间,例如利用压缩感测(CS)框架,以便将采样率降低到信号的信息速率的量级,而不是由奈奎斯特指示的速率。在这篇文章中,我们回顾了压缩感知结构及其对连续时间信号的扩展,这最终用于降低高速ADC器件的采样率。此外,我们考虑压缩感知框架在无线传感器网络中的应用,以节省能源,通过降低传感器节点的传输速率。我们提出了一种替代的解决方案,可以解决使用梯度下降方法的CS最小化问题。修改的最小化问题是潜在的更快和更简单的实现在硬件级别。
2015-03-01 cs.IT math.IT
ReProCS: A Missing Link between Recursive Robust PCA and Recursive Sparse Recovery in Large but Correlated Noise
本文研究递归鲁棒主元分析问题。这里,“鲁棒性”是指对独立和相关稀疏离群值的鲁棒性,尽管我们关注的是后者。出现此问题的一个关键应用是视频监控,其目标是将缓慢变化的背景与动态移动的前景对象分开。背景序列被很好地建模为位于一个低维子空间,可以随着时间的推移逐渐变化,而运动的前景对象构成相关的稀疏离群值。在这个和许多其他应用中,前景是PCA的离群值,但实际上是应用的“感兴趣的信号”;而背景是腐败或噪声。因此,我们的问题也可以解释为递归恢复的稀疏信号的时间序列中存在的大,但空间相关的噪声之一。这项工作有两个关键贡献。首先,我们提供了一种看待这个问题的新方法,并展示了我们的解决方案策略的关键部分是如何解决噪声压缩感知(CS)问题的。其次,我们展示了如何利用离群值的相关性来处理非常大的支持度离群值。主要思想如下。应用于先前支持估计的相关模型有助于预测当前支持。此预测作为“部分支持知识”,用于解决修改的CS问题,而不是CS。修改的CS重建的支持估计又用于使用卡尔曼滤波器(或任何自适应滤波器)来更新相关模型参数。我们称之为“支持预测修改CS”的方法。
2011-06-16 cs.IT math.IT
Iterative Reweighted Algorithms for Sparse Signal Recovery with Temporally Correlated Source Vectors
迭代重加权算法作为一类稀疏信号恢复算法,已被发现具有比非重加权算法更好的性能。然而,现有的重加权算法在解决多测量向量问题时,都没有考虑源向量间的时间相关性,因此在相关性存在时,重加权算法的性能会显著下降。在这项工作中,我们提出了一个迭代加权稀疏贝叶斯学习(SBL)算法利用时间相关性,并在此基础上,我们提出了一种策略,以改善现有的加权$\ell_2$算法的MMV问题,即取代他们的行范数与马氏距离测度。仿真结果表明,所提出的重加权SBL算法具有更好的性能,所提出的改进策略对现有的重加权$\ell_2$算法是有效的。
2011-04-28 cs.IT math.IT stat.ML
Construction of Codes for Wiretap Channel and Secret Key Agreement from Correlated Source Outputs by Using Sparse Matrices
本文的目的是证明编码定理的窃听信道编码问题和秘密密钥协商问题的基础上的概念的哈希性质的一个集合的功能。这些定理意味着使用稀疏矩阵的码可以达到最佳速率。此外,还证明了窃听信道和秘密密钥协议的固定速率通用编码定理。
2010-04-09 cs.CR cs.IT math.IT
Bayesian Compressive Sensing via Belief Propagation
压缩感知(CS)是一个新兴的领域,基于稀疏信号的线性投影的小集合包含足够的信息用于稳定的亚奈奎斯特信号采集的启示。当信号的统计特性可用时,贝叶斯推断可以补充基于线性规划或贪心算法的常规CS方法。我们使用置信传播(BP)解码,它表示的CS编码矩阵作为一个图形模型进行近似贝叶斯推理。通过稀疏编码矩阵减少图形模型的大小,获得快速计算。为了解码包含K个大系数的长度为N的信号,我们的CS-BP解码算法使用O(Klog(N))测量和O(Nlog^2(N))计算。最后,虽然我们专注于两状态混合高斯模型,CS-BP很容易适应其他信号模型。
2009-06-24 cs.IT math.IT
Swapping Variables for High-Dimensional Sparse Regression with Correlated Measurements
我们考虑高维稀疏线性回归问题,使用少量的线性测量,被噪声污染的稀疏向量的准确估计。众所周知,当测量矩阵包含高度相关的列时,标准的计算上易处理的稀疏回归算法-如Lasso,正交匹配追踪(OMP)及其扩展-性能很差。为了解决这个缺点,我们开发了一个简单的贪婪算法,称为SWAP,迭代交换变量,直到收敛。SWAP在处理具有高相关性的度量矩阵时非常有效。事实上,我们证明了SWAP输出真正的支持,在稀疏向量的非零元素的位置,在一个相对温和的条件下的测量矩阵。此外,我们表明,SWAP可以用来提高任何稀疏回归算法的性能。我们经验证明SWAP的优势,通过比较它与几个国家的最先进的稀疏回归算法。
2014-02-22 cs.IT math.IT math.ST
Compressive and Noncompressive Power Spectral Density Estimation from Periodic Nonuniform Samples
本文提出了一种新的功率谱密度估计技术的带限,广义平稳信号的欠采样数据。该技术采用多陪集采样,并结合了压缩感知(CS)的优势时,功率谱是稀疏的,但适用于稀疏和非稀疏功率谱一样。估计是一致的分段常数近似,其分辨率(分段常数段的宽度)由多陪集采样的周期性控制。我们表明,压缩估计表现出更好的权衡估计的分辨率,系统复杂性,和平均采样率相比,他们的非压缩同行。对于合适的采样模式,非压缩估计得到最小二乘解。由于功率谱的非负性,可以通过寻求非负最小二乘解(假设存在适当的采样模式)而不是使用标准CS恢复算法来计算压缩估计。这种灵活性表明,减少了系统的计算开销估计稀疏和非稀疏功率谱,因为一个算法可以用来计算压缩和非压缩估计。
2012-05-17 cs.IT math.IT
Multi-Sparse Signal Recovery for Compressive Sensing
KU Leuven(荷语鲁汶大学);University of Oldenburg(奥尔登堡大学)
针对在多个域中稀疏的信号,提出一种结合多稀疏约束和线性测量拟合约束的凸规划模型,以提高信号恢复性能,并以肌电信号为例验证了方法的有效性。
2012-06-04 cs.IT cs.SY eess.SY
Compressive sampling for energy spectrum estimation of turbulent flows
最近的压缩采样(CS)的结果表明,稀疏信号的精确重建往往需要比经典的Nyquist-Shannon采样定理所建议的样本少得多。通常,信号重构误差以$\ell^2$范数测量,并且信号被假设为稀疏的、可压缩的或具有先验分布。我们的谱估计稀疏优化(SpESO)方法使用的先验信息的各向同性均匀湍流的能量谱的幂律和CS的方法应用于1-D和2-D湍流信号估计其能量谱与小的对数误差。SpESO不同于现有的基于信号在傅立叶空间中的稀疏支持的能量谱估计方法。SpESO近似能量谱的数量级少的样本比香农采样所需的。我们的研究结果表明,SpESO比集总正交匹配追踪(LOMP),以及或优于基于小波的最佳M项或M/2项的方法,即使这些方法需要完整的采样信号压缩前。
2014-04-22 cs.IT math.IT physics.flu-dyn
Preconditioned Multiple Orthogonal Least Squares and Applications in Ghost Imaging via Sparsity Constraint
基于稀疏约束的鬼成像(GISC)方法即使在采样率远低于奈奎斯特(Nyquist)采样率的情况下,也能从光场的强度波动中恢复出目标。在本文中,我们开发了一种有效的算法称为预处理的多重正交最小二乘(PmOLS)解决GISC重建问题。我们的分析表明,PmOLS算法完美地恢复任何$n$维$K$稀疏信号从$m$随机线性样本的信号与概率超过$1-3n^2 e^{-cm/K^2}$。仿真和实验结果表明,该算法具有非常有竞争力的成像质量相比,国家的最先进的方法。
2019-10-11 cs.IT math.IT
Exact Performance Analysis of the Oracle Receiver for Compressed Sensing Reconstruction
稀疏或可压缩的信号可以从一定数量的噪声随机投影中恢复,小于经典香农/奈奎斯特理论所规定的数量。在本文中,我们推导出的Oracle接收机的均方误差性能的封闭形式的表达式,知道信号的稀疏模式。相对于现有的界限,我们的结果是准确的,不依赖于一个特定的实现的传感矩阵。此外,无论影响测量的噪声是白噪声还是相关噪声,我们的结果都成立。数值结果表明,方程和模拟之间的完美匹配,证实了结果的有效性。
2014-03-07 cs.IT math.IT
Compressive Sensing of Analog Signals Using Discrete Prolate Spheroidal Sequences
压缩感知(CS)最近已经成为一个框架,有效地捕捉信号,稀疏或可压缩的适当的基础。虽然经常作为奈奎斯特速率采样的替代方案,但在离散的有限维CS框架和获取连续时间信号的问题之间仍然存在差距。在本文中,我们试图弥合这一差距,利用离散长椭球序列(DPSS的),功能的集合,追溯到开创性的工作Slepian,朗道,波拉克的时间限制和限带操作的影响。DPSS的采样带限函数形成一个高效的基础,通过调制和合并DPSS基地,我们得到一个字典,提供高品质的稀疏近似最采样的多频带信号。这种多频带调制DPSS字典可以很容易地纳入CS框架。我们提供了理论保证和实际的洞察力,使用这个字典从压缩测量采样多频带信号的恢复。
2012-03-21 cs.IT math.IT
RIP Analysis of Modulated Sampling Schemes for Recovering Spectrally Sparse Signals
本文分析调制采样方案(如奈奎斯特折叠接收机)的受限等距性质,并利用该性质确定信号恢复所需的稀疏度,随后演示正交匹配追踪从含噪非均匀样本中重建信号的能力。
2012-07-31 cs.IT cs.SY eess.SY
A new inexact iterative hard thresholding algorithm for compressed sensing
压缩感知(CS)表明,可以使用低于奈奎斯特速率的低速率采集过程来采集稀疏或可压缩信号,该过程将信号投影到与稀疏基不相干的一小组向量上。在本文中,我们提出了一个新的框架,压缩感知恢复问题使用迭代逼近方法通过L0最小化。而不是直接解决无约束的L0范数优化问题,我们使用线性化和邻近点技术来近似罚函数在每次迭代。该算法简单、有效,并证明了算法的收敛性.数值仿真验证了我们的结论,并表明该算法可以提高重建质量。
2014-02-24 cs.IT math.IT