Near-Field Localization and Sensing with Large-Aperture Arrays: From Signal Modeling to Processing
本文围绕大孔径阵列的近场定位与感知展开，指出大孔径阵列应用趋势打破了阵列信号处理的传统远场假设，为近场信号处理带来新挑战与新机遇。
2024-10-22 eess.SP
Towards Goal-Oriented Semantic Signal Processing: Applications and Future Challenges
机器学习技术的进步使得能够实时提取信号中的语义信息，这可以彻底改变信号处理技术并显著提高其性能以用于下一代应用。与一个具体的表示和有效的处理的语义信息的目标，我们提出并证明了一个正式的基于图的语义语言和目标过滤方法，使面向目标的信号处理。所提出的语义信号处理框架可以很容易地针对不同范围的信号处理应用中的特定应用和目标进行定制。为了说明它的广泛的适用性，我们调查了几个用例，并提供了详细的建议目标为导向的语义信号处理框架可以定制。我们还调查和提出的通信技术，传感器数据进行语义处理和语义信息交换的传感器网络。
2021-09-24 eess.SP
Adaptive transform via quantum signal processing: application to signal and image denoising
本文的主要范围是展示如何从量子力学的工具，特别是薛定谔方程，可以用来构建一个自适应变换适用于信号和图像处理的应用。该字典是将信号或图像视为薛定谔方程中的离散势而得到的，并进一步用于构造哈密顿算子。为了说明它在信号和图像处理中的实际意义，我们在信号相关噪声的情况下提供了去噪结果，这是最适合所提出的方法的噪声类型。
2018-02-07 eess.SP
Signal processing with a distribution of graph operators
在本文中，我们开发了一个信号处理框架的网络没有明确的知识的网络拓扑。相反，我们利用网络上运营商分布的知识。这使得框架灵活和有用的时候，准确的知识图拓扑结构是不可用的。此外，通常的图形信号处理是我们的框架的一个特殊情况下，通过使用德尔塔分布。该理论的主要内容包括傅里叶变换、滤波理论和采样理论。
2020-12-11 eess.SP
Graph Signal Processing: Overview, Challenges and Applications
图形信号处理（GSP）的研究旨在开发用于处理定义在不规则图形域上的数据的工具。在本文中，我们首先提供了一个概述的核心思想，在GSP和他们的连接到传统的数字信号处理。然后，我们总结了最近的发展，在开发基本的GSP工具，包括采样，过滤或图形学习的方法。接下来，我们将回顾使用GSP的几个应用领域的进展，包括传感器网络数据，生物数据的处理和分析，以及图像处理和机器学习的应用。最后，我们提供了一个简短的历史观点，以强调如何在GSP最近开发的概念建立在其他领域的先前研究之上。
2018-03-26 eess.SP
XBioSiP: A Methodology for Approximate Bio-Signal Processing at the Edge
生物信号表现出高冗余性，并且用于其处理的算法具有固有的错误恢复能力。这种特性可以通过近似计算的新兴趋势来提高物联网边缘（可穿戴设备）的能效。本文介绍了XBioSiP，一种新的方法，用于近似生物信号处理，采用两个质量评估阶段，在预处理和生物信号处理阶段，以确定近似参数。因此，它实现了高能量节省，同时满足用户确定的质量约束。我们的方法实现了，高达19倍和22倍的QRS峰值检测算法的能量消耗减少0%和<1%的峰值检测精度损失，分别。
2019-02-05 eess.SP
Complex Signal Processing for Coriolis Mass Flow Metering in Two-Phase Flow
提出了一种基于复带通滤波的科氏质量流量计信号处理新方法。CBF可以用来抑制每个传感器信号的负频率分量，以产生具有减小的跟踪延迟的相应解析形式。对解析形式的进一步处理产生传感器信号的振幅、频率、相位和相位差。与已有方法相比，CBF具有时延短、噪声抑制能力强、精度高、计算量小等优点。减小的延迟在CMF信号处理中是有用的，特别是对于在两相/多相流条件下保持流管振荡。CBF方法的中心频率和频率范围是可选择的，因此可以针对不同的流量管设计进行定制。
2018-05-03 eess.SP
Signal processing on simplicial complexes
图形信号处理（GSP）的理论发展和应用已引起人们的广泛关注。在经典的GSP中，底层结构在维数方面受到限制。图是一种对二元关系进行建模的组合对象，它不直接对复杂的n元关系进行建模。图的一个可能的高维推广是单纯复形。它们是图的约束情形和超图的一般情形之间的一步。在本文中，我们开发了一个信号处理框架上的单纯复形，使我们恢复传统的GSP理论时，仅限于图上的信号。值得一提的是，该框架的工作更普遍，虽然本文的重点是单纯复形。我们演示了如何执行信号处理的框架，使用数值例子。
2020-05-24 eess.SP
Advancements in Signal Processing and Control Systems Using Z and L-Transforms
本文围绕信号处理与控制系统中的变换工具展开，介绍变换基础、Z变换及积分Z变换的作用，并提出基于模糊随机变量的新概念，为变换的实际应用提供新方向。
2024-07-11 eess.SP
Topological Signal Processing over Weighted Simplicial Complexes
在许多信号处理和机器学习应用中，对可以表示和分析数据的拓扑域进行加权是一种关键策略，能够提取和利用有意义的数据特征及其（高阶）关系。本文的目标是提出加权单纯复形的拓扑信号处理工具。具体来说，依靠加权霍奇拉普拉斯理论，我们提出了有效的策略，共同学习复杂的权重和滤波器的螺线管，无旋和谐波分量的信号定义在复杂的。我们数值评估所提出的程序的有效性。
2023-02-16 eess.SP
An Overview of Signal Processing Techniques for Joint Communication and Radar Sensing
联合通信和雷达感测（JCR）代表了一个新兴的研究领域，其目标是将上述两种功能集成到单个系统中，共享大部分硬件和信号处理模块，并且在典型情况下，共享单个发射信号。它被认为是显着提高频谱效率，降低设备尺寸，成本和功耗，并由于两个功能的潜在密切合作而提高性能的关键方法。先进的信号处理技术对于从发射信号设计到接收机处理的集成效率是至关重要的。本文从信号处理的角度对JCR系统进行了全面的综述，重点介绍了JCR系统的最新技术，并针对以通信为中心、以雷达为中心以及联合设计和优化这三种JCR系统，对发射机和接收机进行了均衡的覆盖。
2021-02-25 eess.SP
Grid-Graph Signal Processing (Grid-GSP): A Graph Signal Processing Framework for the Power Grid
本文的基本主题是通过图形信号处理（GSP）的镜头探索电力系统数据的各个方面，奠定了网格GSP框架的基础。网格-GSP提供了一个解释的电压相量测量的时空属性，通过显示如何著名的电力系统建模支持生成低通图滤波器模型的状态变量，即电压相量。使用该模型，我们正式的经验观察，电压相量测量数据位于一个低维的子空间，并将其时空结构发电机电压动态。网格GSP生成模型，然后成功地调查有关网格的数据采样和插值，网络推理，异常检测和数据压缩的问题。模拟得克萨斯州，ACTIVSg 2000的真实网格，并在ISO-新英格兰的真实世界的测量上的一个大型合成网格的数值结果验证了网格-GSP方法应用于电网数据的有效性。
2021-03-10 eess.SP
The Companion Model -- a Canonical Model in Graph Signal Processing
介绍了由$\textit{canonical}$图和$\textit{canonical}$移位定义的$\textit{canonical}$图信号模型、$\textit{companion}$图和$\textit{companion}$移位。这些都是规范的，因为在标准条件下，我们表明，任何图形信号处理（GSP）模型可以转换为规范模型。获得这一点的变换是我们引入的图$z$ -变换（$\textrm{G$ z $T}$）。GSP规范模型最接近离散信号处理（DSP）时间信号模型：伴随移位的结构分解为线移位和信号连续，就像DSP移位一样，并且GSP规范图是具有反映信号连续条件的终端条件的有向线图。我们进一步表明，令人惊讶的是，在规范模型中，卷积的图形信号是快速卷积的DSP FFT。
2022-03-25 eess.SP
Event-based Signal Processing for Radioisotope Identification
本文识别了传统的基于帧的放射性同位素识别过程的不必要的高功率开销的问题，并提出了一种基于事件的信号处理过程来解决所建立的问题。给出了神经形态处理器的设计流程。
2020-10-02 eess.SP
Tensor Low Rank Modeling and Its Applications in Signal Processing
使用张量建模多维信号比将其表示为矩阵的集合更有说服力。基于张量的方法可以探索多维信号的丰富的空间和时间结构。这种建模的支柱是张量代数的数学基础。基于线性变换的张量代数构造了低复杂度、高性能的代数结构，适合于多维信号的自检测。从信号处理的角度对基于线性变换的张量代数进行了全面的介绍。多维信号的秩是一个宝贵的属性，它可以让我们深入了解它的结构方面。所有自然的多维信号都可以近似为一个低秩信号，而不会丢失重要信息。低秩近似在许多信号处理应用中是有益的，诸如去噪、缺失样本估计、分辨率增强、分类、背景估计、目标检测、风化、聚类以及更多的应用。文中还详细介绍了低秩建模在上述信号处理应用中的方法和手段。
2019-12-07 eess.SP
Signal Processing over Multilayer Graphs: Theoretical Foundations and Practical Applications
单层图上的信号处理由于其在揭示数据信号中的模糊底层结构方面的能力而已经成为主流工具。然而，许多现实生活中的数据集和系统（包括物联网（IoT）中的数据集和系统）的特征在于不同实体之间的更复杂的交互，这可能表示难以用单层图捕获的多级交互，并且可以通过多层图连接更好地表征。这种多层或多级数据结构可以更自然地由高维多层图（MLG）建模。为了将传统的图信号处理（GSP）推广到多层图上以分析多层信号特征及其相互作用，提出了一种基于张量的多层图信号处理（M-GSP）框架.具体来说，我们介绍了M-GSP的核心概念和MLG频谱空间的研究性质，其次是MLG为基础的滤波器设计的基本原理。为了说明M-GSP的新方面，我们进一步探讨了它与传统信号处理和GSP的联系。我们提供了示例应用程序来演示在实际场景中应用多层图和M-GSP的有效性和好处。
2022-10-31 eess.SP
Point Cloud Resampling Through Hypergraph Signal Processing
三维（3D）点云是可视化应用中的重要数据表示。点云处理的快速增长的效用和普及强烈地激发了大量的研究活动，对大规模点云处理和特征提取。本文研究了基于超图信号处理的点云重构方法。我们开发了一种新的方法来提取尖锐的对象的功能和减少点云表示的数据大小。通过基于超图平稳处理直接估计超图谱，设计了一种基于谱核的滤波器来捕捉点信号节点之间的高维交互，更好地保持物体表面轮廓。实验结果验证了超图表示点云的有效性，并证明了该算法对噪声的鲁棒性。
2021-10-06 eess.SP
Teaching Digital Signal Processing by Partial Flipping, Active Learning and Visualization
通过减少用于理论的授课时间，并增加对应用、编程方面、可视化和直观理解的重视，可以提高数字信号处理教学的有效性。综合教学方法要求教师同时教授理论及其在音频，语音和生物医学信号存储和处理中的应用。学生的参与度可以通过让学生在课堂上分组工作来提高，学生可以解决简短的问题和简短的编程作业或参加测验。这些方法将提高学生对学习主题的兴趣和学生的参与度。
2021-01-31 eess.SP
Community-Aware Graph Signal Processing
图形信号处理（GSP）的新兴领域允许转置经典的信号处理操作（例如，滤波）到图上的信号。GSP框架通常建立在图拉普拉斯算子的基础上，它在研究图的性质和测量图信号的平滑性方面起着至关重要的作用。在这里，我们提出了图模块化矩阵作为GSP的核心，以便在处理图上的信号时纳入有关图社区结构的知识，但不需要社区检测。我们研究这种方法在几个通用的设置，如过滤，最佳采样和重建，替代数据生成，和去噪。可行性说明了一个小规模的例子和交通网络数据集，以及在人类神经成像的一个应用程序，其中社区意识的GSP揭示行为和大脑功能之间的关系，不显示基于拉普拉斯的GSP。这项工作展示了网络科学的概念如何在图形信号上产生新的有意义的操作。
2020-08-24 eess.SP
Graph signal processing with categorical perspective
在本文中，我们提出了一个框架图信号处理使用范畴理论。其目的是概括最近关于图信号处理概率方法的一些工作，这些方法处理信号和图的不确定性。
2023-02-24 eess.SP math.PR
Fiber-distributed Signal Processing: Where the Space Dimension Comes into Play
我们提出了如何通过使用不同的多芯光纤在光纤无线通信的背景下实现光纤分布式信号处理，在同一光纤介质中提供无线电接入分布和微波光子信号处理。
2018-10-29 eess.SP physics.app-ph
Topology in Sound Synthesis and Digital Signal Processing -- DAFx2022 Lecture Notes
University of Wisconsin - Milwaukee（威斯康星大学密尔沃基分校）
在奥地利维也纳举行的国际数字音频效果会议（DAFx-22）上，关于声音合成和数字信号处理中拓扑结构的教程的讲稿。
2022-11-10 cs.SD eess.SP
Theory and Algorithms for Pulse Signal Processing
积分触发转换器将模拟信号转换成双相脉冲的训练。脉冲训练具有编码在脉冲的定时和极性中的信息。虽然已经表明，任何有限带宽的模拟信号都可以从这些脉冲串中以所需的小误差重构，但是需要基本的信号处理技术来直接对脉冲串进行操作而不进行信号重构。本文探讨了用模拟信号的脉冲训练表示法在线进行加、乘、卷积等信号处理运算的可行性。理论框架来执行信号处理与脉冲序列施加最小的限制，推导和算法的运营商的在线实施。研究了算法在模拟数据处理中的性能。应用噪声扣除和表示的相关特征的心电图信号的平均脉搏率小于每秒20脉冲演示。
2018-12-31 cs.NE eess.SP
Abstract message passing and distributed graph signal processing
图信号处理是处理图结构化数据的框架。其基本概念是图形移位算子，从而产生了图形傅里叶变换。虽然图形傅里叶变换是一个集中式过程，但需要分布式图形信号处理算法来解决诸如可扩展性和隐私等挑战。在本文中，我们开发了一个理论的分布式图信号处理的消息传递的经典概念的基础上。然而，我们概括了消息的定义，以允许更抽象的数学对象。该框架提供了一种替代的观点，避免了现有的分布式图信号处理方法的迭代性质。此外，我们的框架有利于研究理论问题，如分布式问题的解决方案。
2022-06-09 cs.DC eess.SP
Signal Transformation for Effective Multi-Channel Signal Processing
TCS Research（TCS研究院）
提出一种双向信号变换方法，将多通道低带宽EEG信号无损组合为单通道高带宽信号，从而支持利用预训练单通道模型进行多通道信号处理与分析。
2024-12-23 cs.AI eess.SP
Cosine series quantum sampling method with applications in signal and image processing
提出了一种新的适用于量子计算的余弦级数量子采样（QCoSamp）算子族。量子算法的发展，类似于经典算法，我们将其应用于信号的谐波分析。我们通过量子系统的测量显示量子采样，并且在应用该家族的算子之后，允许用傅立叶级数表示进行输入信号映射。所采用的技术方法，促进每个QCoSamp算法的量子计算机和应用程序的信号和图像处理领域的实施，我们也描述了。保留字：量子计算，量子信息理论，量子算符，量子采样，傅立叶正余弦级数，信号处理，图像处理
2020-11-25 eess.SP quant-ph
5Gperf: signal processing performance for 5G
5Gperf项目由华为研究团队在2016-17年进行。它涉及5G基站原型的信号处理算法加速。它改进了已经优化的SIMD并行CPU算法，并设计了一种新的软件工具，用于在将MATLAB代码转换为优化的C语言时提高程序员的工作效率
2018-10-25 cs.DC eess.SP
Quantum Channel Modelling by Statistical Quantum Signal Processing
在本文中，我们感兴趣的量子信号模型的统计信号处理方法。由于高斯态是一种重要的鲁棒态，并且大多数重要的量子信息实验都是在高斯光下进行的，因此输入的量子信号被认为是高斯分布的。在此基础上，建立了联合噪声模型，并利用发送信号和联合量子噪声的卷积建立了接收信号模型，实现了单量子链路的理论可达容量。在联合量子噪声模型中，我们考虑了量子泊松噪声和经典高斯噪声。我们比较了量子信道的容量与SNR的关系，以检测其总体趋势。本文利用随机变量表示的信道方程对量子信号和噪声模型进行了统计研究。这些方法是为了发展量子统计信号处理而提出的，其思想来源于统计信号处理。
2023-02-16 eess.SP quant-ph
Proximal Gradient Algorithms: Applications in Signal Processing
数值优化方面的进展支持了信号处理若干领域的突破。本文重点介绍了最近的增强型近似梯度数值优化算法，它结合了拟牛顿方法与前向伴随预言来解决大规模问题，并减少了许多应用程序的计算负担。这里以易于理解的方式描述这些近端梯度算法，说明它们如何能够解决信号处理中出现的各种问题。提出了一种新的高级建模语言，用于演示所提出的算法在一系列信号处理应用实例中的通用性，例如稀疏反卷积、全变分去噪、音频去削波等。
2020-01-27 eess.SP math.OC
From Nano to Macro: Overview of the IEEE Bio Image and Signal Processing Technical Committee
本文概览IEEE生物图像与信号处理技术委员会，涵盖其历史、成员构成、EDICS分类及在ISBI、ICASSP、ICIP中的核心作用，并总结社区技术贡献与未来方向。
2023-01-23 eess.SP q-bio.QM
Information Theoretic I-MMSE generalize Time-Frequency Signal Processing Tools
本文利用信息论与估计论结果I-MMSE，证明其推广了分析非平稳非高斯信号急需的时频信号处理工具。
2025-03-02 cs.IT eess.SP math.IT
Gasper: GrAph Signal ProcEssing in R
本文介绍 R 语言 gasper 包，用于图信号处理，并提供 SuiteSparse 矩阵集合接口。
2023-12-28 cs.LG eess.SP stat.CO
Before AI Takes Over: Rethinking Nonlinear Signal Processing in Communications
本文在AI主导通信领域前，反思传统非线性信号处理方法，呼吁重新评估既有理论，并探索经典信号处理与新兴AI方法的共存与整合路径。
2025-11-04 cs.SY eess.SP eess.SY
Extreme Learning Machine for Graph Signal Processing
KTH Royal Institute of Technology（瑞典皇家理工学院）
在本文中，我们使用基于正则化的图信号处理来改进回归任务的极端学习机器。我们假设用于预测或回归的目标信号是图形信号。在这个假设下，我们使用正则化来强制极端学习机的输出在给定的图上是平滑的。真实数据的仿真结果证实，当可用的训练数据大小有限且被噪声破坏时，这种正则化有显著的帮助。
2018-03-12 cs.LG eess.SP stat.ML
Combinatorial Hodge Theory in Simplicial Signal Processing -- DAFx2023 Lecture Notes
University of Wisconsin - Milwaukee（威斯康星大学密尔沃基分校）
本文是在丹麦哥本哈根举行的DAFx-23国际会议上关于“单纯信号处理中的组合霍奇理论”教程的讲义。
2023-11-23 cs.SD eess.AS eess.SP
Signal Processing on Cell Complexes
Rice University（莱斯大学）；RWTH Aachen University（亚琛工业大学）；Santa Clara University（圣克拉拉大学）
支持在非欧域上的信号处理近年来引起了人们的极大兴趣。到目前为止，这种非欧几里德域主要被抽象为节点上支持信号的图，尽管也考虑了更一般结构（如单纯复形）上的信号处理。在本文中，我们给出了一个介绍（抽象的）正规细胞复合体，它提供了一个统一的框架，包括图形，单纯形复合体，立方复合体和各种网格作为特殊情况下的信号处理。我们讨论如何适当的霍奇拉普拉斯算子，这些细胞复合体可以派生。这些Hodge Laplacian使得能够构造卷积滤波器，该卷积滤波器可以通过在细胞复合体上定义的神经网络用于线性滤波和非线性滤波。
2022-02-20 cs.LG cs.SI eess.SP
Dirac signal processing of higher-order topological signals
Queen Mary University of London（伦敦玛丽女王大学）；RWTH Aachen University（亚琛工业大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出基于离散狄拉克算子的狄拉克信号处理方法，联合一致地过滤单纯复形节点、链接和三角形上的含噪拓扑信号，并在合成与海洋漂流浮标数据上验证其优于仅用霍奇拉普拉斯算子的算法。
2023-08-23 cond-mat.dis-nn cs.LG cs.SI
