Sparse Bayesian Learning-Based 3D Spectrum Environment Map Construction-Sampling Optimization, Scenario-Dependent Dictionary Construction and Sparse Recovery
频谱环境图（SEM）是感知无线电（CR）网络中频谱资源监测、管理和安全的重要手段，能够直观地反映不可见的电磁频谱信息。针对光谱传感器数量有限和采样时间受限的问题，提出了一种基于稀疏贝叶斯学习（SBL）的三维扫描电镜构建方案。首先，我们通过考虑感兴趣的场景的传播特性，构造一个依赖于MIMO的信道字典矩阵。为了提高采样效率，提出了一种基于最大互信息的采样传感器布局优化算法。然后，提出了一种基于最大最小距离（MMD）聚类的SBL算法来恢复未采样位置的光谱数据，并构建整个三维SEM。最后，利用校园场景的仿真数据构建三维扫描电镜，并与现有方法进行了比较，分析了恢复性能以及不同稀疏度对构建的扫描电镜的影响。数值结果表明，该方案可以减少所需的频谱传感器数量，并在低采样率下具有较高的精度。
2023-02-25 eess.SP
Estimation of Angles of Arrival Through Superresolution -- A Soft Recovery Approach for General Antenna Geometries
本文研究了利用$TV$最小化方法进行波达方向估计的问题。相反，以前的工作在这个方向上，它只考虑某些天线布局设计，我们考虑一般的天线几何形状。应用软恢复框架，我们能够推导出一个理论上保证某一波达方向近似恢复。我们讨论了几个具体的天线设计的恢复保证的影响。此外，数值模拟支持的理论部分的结果进行。
2017-11-10 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
Bayesian Algorithms for Kronecker-structured Sparse Vector Recovery With Application to IRS-MIMO Channel Estimation
本文研究了Kronecker结构字典下的稀疏恢复问题，基于稀疏贝叶斯学习框架提出了交替最小化和基于SVD的两种算法，并从理论上证明了AM方法的收敛性，最后将其有效应用于智能反射面辅助的MIMO上行信道估计。
2023-08-01 eess.SP
Channel Estimation for WiFi Prototype Systems with Super-Resolution Image Recovery
信道估计对于现代WiFi系统至关重要，并且随着多输入多输出配置中用户吞吐量的增长而变得越来越具有挑战性。大量的文献在提高估计精度方面做了大量的工作，但对插值方法的研究却很少。为了应对这一挑战，本文利用超分辨率图像恢复方案来建模非线性插值机制，而无需预先假设信道特性。为了使其更具有实用性，我们根据统计信道模型离线生成数值信道系数来训练神经网络，并将其直接应用于实际的WiFi原型系统中。如本文所示，所提出的基于超分辨率的信道估计方案可以在LOS和NLOS场景中优于传统方法，我们相信这可以在不久的将来显著改变当前的信道估计方法。
2019-03-04 eess.SP
Statistical Graph Signal Recovery Using Variational Bayes
本文研究了图的拓扑结构未知时的图信号恢复问题。在本文中，加权邻接矩阵的元素是统计相关的正态分布和图形信号被假定为高斯马尔可夫随机场（GMRF）。然后，GSR的问题是解决的变分贝叶斯（VB）算法在贝叶斯的方式通过计算后验在一个封闭的形式。证明了加权邻接矩阵元素的后验分布具有一种新的分布，称之为广义复合合流超几何（GCCH）分布。此外，噪声的方差估计通过计算其后验通过VB。对合成数据和真实数据的仿真结果表明，所提出的贝叶斯算法在恢复图形信号方面优于一些最先进的算法。
2020-10-16 eess.SP
Multichannel Frequency Estimation in Challenging Scenarios via Structured Matrix Embedding and Recovery (StruMER)
针对数据缺失、噪声多样等场景的多通道频率估计，提出StruMER，将信号嵌入低秩结构化半正定矩阵并用ADMM近闭式恢复，显著提升门限性能。
2023-07-15 eess.SP
Kronecker-structured Sparse Vector Recovery with Application to IRS-MIMO Channel Estimation
针对克罗内克结构稀疏向量恢复问题，提出将原问题分解为多个独立子问题并分别求解的方法，通过保留支撑集和非零元素结构提升精度、缩减解空间降低复杂度，在IRS-MIMO信道估计等场景中性能优于现有技术。
2024-11-30 eess.SP
Recovery of compressively sensed ultrasound images with structured Sparse Bayesian Learning
在本文中，我们考虑的问题，恢复压缩感知超声图像。我们建立在以前的工作，并考虑一些现有的方法，我们认为是最先进的。我们考虑的方法利用了一些假设的信号，包括时间和空间的相关性，块结构，先验知识的支持，和非高斯。我们进行了一系列密集的测试，以量化这些方法的性能。我们发现，通过改变所考虑的结构化稀疏贝叶斯学习方法的参数，我们可以显着提高重建图像的客观质量。我们实现的结果是一个显着的改进，以前提出的重建技术。此外，我们进一步表明，通过仔细选择的参数，我们可以获得接近最佳的结果，同时只需要一小部分的计算时间所需的最佳重建质量。
2018-11-03 eess.IV eess.SP
Joint DOA and Non-circular Phase Estimation of Non-circular Signals for Antenna Arrays: Block Sparse Bayesian Learning Method
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Hangzhou Dianzi University（杭州电子科技大学）
本文提出了一种基于块稀疏贝叶斯学习的方法，用于非圆信号的联合方向到达和非圆相位估计，通过块稀疏模型和FMLM算法提升了信号恢复性能。
2026-01-14 eess.SP
Joint Frame Synchronization and Channel Estimation: Sparse Recovery Approach and USRP Implementation
用于帧同步的基于相关的技术在多径频率选择性信道上会遭受显著的性能下降。在本文中，我们提出了一个联合帧同步和信道估计（JFSCE）的框架作为补救这个问题。然而，该框架增加了所产生的组合信道向量的大小，该组合信道向量应捕获信道脉冲响应（CIR）向量和帧边界偏移，因此，其估计变得更具挑战性。另一方面，因为组合信道向量是稀疏的，所以可以应用稀疏信道估计方法。我们提出了几种JFSCE方法，使用流行的稀疏信号恢复（SSR）算法，利用组合信道向量的稀疏性。随后，稀疏信道矢量估计被用来设计稀疏均衡器。我们的仿真结果和使用软件定义无线电（SDR）的实验测量表明，在某些情况下，我们提出的方法显着提高了整体系统的性能，在发送和均衡符号之间的均方误差（MSE）相比，传统的方法。
2019-03-18 eess.SP
Direction-of-Arrival Estimation for Constant Modulus Signals Using a Structured Matrix Recovery Technique
针对恒模信号DOA估计，提出SMART技术，联合利用Vandermonde与CM结构，将非凸问题转化为秩约束Hankel-Toeplitz矩阵恢复，用ADMM求解，提升可定位源数量与统计效率。
2023-07-15 eess.SP
Online Variational Bayesian Subspace Filtering with Applications
矩阵补全和稳健主成分分析已被广泛用于数据缺失或异常值的恢复。然而，在许多现实世界的应用程序中，数据也是随时间变化的，并且每个快照恢复的简单方法既昂贵又不理想。本文开发了生成贝叶斯模型，适合从低维时变子空间产生的序列多变量测量。提出了一种变分贝叶斯子空间滤波方法，该方法学习底层子空间及其状态转移矩阵。不同于过多的确定性对应物，所提出的方法利用自动相关性确定先验，其避免了调整诸如秩和噪声功率等关键参数的需要。我们还提出了一个向前向后的算法，允许更新进行低复杂度。对交通和电力数据的广泛测试表明，该算法优于最先进的矩阵/张量完成算法的插补，离群值拒绝和时间预测能力。
2019-06-24 eess.SP
Bayesian Radio Map Estimation: Fundamentals and Implementation via Diffusion Models
本文提出基于条件扩散模型的贝叶斯无线电地图估计方法，通过估计地图后验分布实现任意泛函的最小均方误差估计，并比较了贝叶斯与非贝叶斯范式的适用条件。
2025-08-08 eess.SP
Blind Reconstruction of Multilayered Tissue Profiles with UWB Radar Under Bayesian Setting
在本文中，我们研究的问题，逆电磁散射恢复多层人体组织轮廓使用超宽带雷达系统在贝叶斯设置。我们研究的恢复问题在一个盲目的设置，在其中我们同时估计的一维目标组织轮廓和发射的雷达波形的介电/几何特性。为了进行贝叶斯参数估计，我们提出了一种混合和自适应马尔可夫链蒙特卡罗方法，它结合了切片采样和汉密尔顿蒙特卡罗方法。引入的采样机制还结合了并行回火方法，以逃离复杂的后验分布的局部最优区域。我们提供经验支持，通过各种数值模拟实现增强的采样效率相比，传统的采样方案。为了研究恢复性能，我们的工作模拟实际的雷达回波从多层组织配置文件的合成测量。我们推导出理论界的最佳实现估计性能的归一化均方根误差，并提供了一个比较与我们的估计性能。
2021-08-27 eess.SP
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
On the Asymptotic MSE-Optimality of Parametric Bayesian Channel Estimation in mmWave Systems
本文提出了一种基于贝叶斯估计的参数信道估计方法，证明其在高信噪比和长相干间隔下具有渐近MSE最优性。
2025-11-21 eess.SP
Bayesian Phase Search for Probabilistic Amplitude Shaping
提出一种对低信噪比鲁棒的贝叶斯载波相位恢复算法，有效解决概率幅度整形中的相位恢复问题，克服了盲相位搜索CPR的性能退化。
2023-09-08 cs.IT eess.SP math.IT
SWAGGER: Sparsity Within and Across Groups for General Estimation and Recovery
罚函数或正则化项可以促进最优化问题的结构化解决，在许多领域都有很大的兴趣。在这项工作中提出的是一个非凸结构的稀疏惩罚，促进一个向量中的任意重叠组内的稀疏性。这允许在最优化问题的解决方案中强制组件之间的互斥性。我们展示了多个示例用例（包括全变差变体），展示了它与其他正则化器之间的协同作用，并提出了一种算法来有效地解决被拟议惩罚正则化或约束的问题。
2020-06-18 eess.SP math.OC
Jointly Sparse Signal Recovery and Support Recovery via Deep Learning with Applications in MIMO-based Grant-Free Random Access
Shanghai Jiao Tong University（上海交通大学）
本文研究了复信号多测量向量（MMV）模型中的联合稀疏信号恢复和联合稀疏支持恢复问题，这在通信和信号处理中有着广泛的应用。最近的关键应用包括基于MIMO的免授权随机接入中的信道估计和设备活动检测，其被提出以支持用于物联网（IoT）的大规模机器类型通信（mMTC）。利用压缩感知、优化和深度学习中的技术，我们提出了两种基于实数标准自动编码器结构的模型驱动方法。一种是联合设计公共测量矩阵和联合稀疏信号恢复方法，另一种是联合设计公共测量矩阵和联合稀疏支持恢复方法。所提出的模型驱动的方法可以有效地利用稀疏模式的特点，在设计共同的测量矩阵和调整模型驱动的解码器，并可以大大受益于潜在的最先进的恢复方法与理论保证。因此，所获得的共同的测量矩阵和恢复方法可以显着优于底层的先进的恢复方法。我们进行了广泛的数值结果信道估计和设备活动检测MIMO为基础的免授权随机接入。数值结果表明，所提出的方法提供了导频序列和信道估计或设备活动检测方法，可以比现有方法以更短的计算时间获得更高的估计或检测精度。此外，数值结果解释了如何通过所提出的方法实现这样的增益。
2020-09-08 cs.LG eess.SP
Implementation of Symbol Timing Recovery for Estimation of Clock Skew
任何分布式网络中的时间同步都可以通过使用应用层协议进行时间校正来实现。本文提出的时间同步方法在物理层利用符号定时恢复来校正应用层时钟。这种跨层方法减少了应用层时间同步所需的消息交换量，从而节省了能量。通过使用多个消息交换可以提高偏斜估计的精度。通过对跨层策略的仿真、实验和数学分析，证明了物理层的时钟偏差与应用层的时钟偏差是一致的，即节点内部的硬件时钟偏差。
2020-06-25 cs.NI eess.SP
Hierarchically Structured Matrix Recovery-Based Channel Estimation for RIS-Aided Communications
针对RIS辅助毫米波MIMO通信中高维信道估计难题，本文将信道估计建模为层次结构化矩阵恢复问题，提出低复杂度消息传递算法，仿真表明其性能接近理论极限。
2023-04-14 cs.IT eess.SP math.IT
Joint Block Low Rank and Sparse Matrix Recovery in Array Self-Calibration Off-Grid DoA Estimation
这封信解决了阵列校准误差和离网方向存在的情况下，使用稀疏模型的传感器阵列的到达方向（DoA）的估计。所接收的信号利用先前使用的用于校准中的未知误差的模型和离网效应的结构化线性表示。一个凸优化问题，制定了一个目标函数，以促进两层联合块稀疏与其二阶锥规划（SOCP）表示。通过数值模拟证明了所提出的方法的性能，并与Cramer-Rao界（CRB），和几个以前提出的方法进行了比较。
2019-06-03 cs.IR eess.SP math.OC
Sparsity Domain Smoothing Based Thresholding Recovery Method for OFDM Sparse Channel Estimation
针对超5G网络下OFDM系统需降低导频开销提升数据速率的需求，提出基于稀疏域平滑的三步稀疏信道估计算法SDS-IMAT，结合导频位置优化，在均方误差和误码率上优于现有方法，性能接近最优。
2023-05-04 cs.IT eess.SP math.IT
Sequential Bayesian Parameter Estimation of Stochastic Dynamic Load Models
在本文中，我们专注于参数估计的动态负荷模型的随机条款，特别是，负荷模型的保护设置是不确定的，如在聚合的空调机组。我们展示了如何在聚合的保护特性的不确定性，可以制定为一个随机微分方程与过程噪声。我们铸造的贝叶斯参数估计框架内的参数反演，我们提出的方法，包括过程噪声。我们证明了在参数估计中考虑随机性的好处和忽略它的风险。
2020-04-29 eess.SP math.OC
Low Rank Matrix Recovery for Joint Array Self-Calibration and Sparse Model DoA Estimation
在这项工作中，结合校准和DoA估计接近的单测量矢量（SMV）模型的自校准的多测量模型（MMV）的情况下，制定的扩展。利用多快拍的优点，提出了一种改进的核范数最小化问题，以恢复低秩的高维矩阵。我们还给出了MMV模型的线性算子的定义，并给出了相应的矩阵表示，以生成凸优化问题的一个变体。为了降低该方法的计算复杂度，奇异值分解（SVD）被用来减少问题的大小。所提出的方法的性能证明了数值模拟。
2017-12-16 cs.IT eess.SP math.IT
Bayesian Compressive Channel Estimation for Hybrid Full-Dimensional MIMO Communications
高效的信道估计在全维多输入多输出通信系统中是具有挑战性的，特别是在具有混合数模架构的通信系统中。在压缩感知框架下，这封信首先设计了一个统一的字典的基础上的球形Fibonacci网格表示在稀疏域中的通道，产生更小的角度误差在三维波束空间比传统的字典。然后，贝叶斯推理辅助贪婪追求算法的频率域信道估计。最后，仿真结果表明，所设计的字典和提出的贝叶斯信道估计优于基准方案，并获得较低的归一化均方误差的信道估计。
2021-12-29 cs.IT eess.SP math.IT
Joint Low-Rank and Sparse Bayesian Channel Estimation for Ultra-Massive MIMO Communications
本文提出了一种联合低秩与稀疏贝叶斯估计算法，用于超大规模MIMO通信中的信道估计，提升了估计精度和复杂度性能。
2025-12-04 cs.IT eess.SP math.IT
