Magnetless Circulators Based on Spatiotemporal Modulation of Bandstop Filters in a Delta Topology
在本文中，我们讨论的设计原理和指导方针，建立无磁环行器的基础上的时空调制的谐振结组成的一阶带阻滤波器连接在三角形拓扑结构。在没有调制的情况下，结不允许其端口之间的传输，然而，当组成LC滤波器的固有振荡频率以合适的相位图案及时调制时，合成角动量偏置可以有效地赋予结，并且传输窗口在输出端口之一处打开，从而实现环行器。我们开发了一个严格的小信号线性模型，并找到所提出的电路，这显着方便的设计过程中的谐波S参数的解析表达式。我们通过仿真验证了理论，并进一步讨论了大信号响应，包括功率处理和非线性，以及噪声性能。最后，我们目前的测量结果与前所未有的性能在所有指标的PCB原型使用罗杰斯板和现成的分立元件。
2018-08-09 eess.SP
Identification of oil starvation in hydrodynamic journal bearing using rotor vibration and Extended Kalman Filter
油膜不足是流体动压轴承的一种严重故障，其原因是供油量不足。如果检测得太晚，这种故障会使轴承的性能恶化，并损坏旋转机器。因此，应采用早期故障识别技术，以避免这种情况，并允许有效的维护。然而，有关乏油故障识别的文献相对较新，非常缺乏。在为数不多的研究中，在早期阶段使用纯粹的确定性技术确定了缺油，这可能会受到模型不准确的影响。另外，本文提出了一种新的方法来识别油不足故障的液体动压轴承使用转子振动响应和扩展的卡尔曼滤波器（EKF），这是一个随机确定的状态估计器，可以处理建模和测量误差。本文中进行的计算模拟表明，所提出的方法是适合于成功地识别油不足故障的实时噪声振动响应，从而代表了一个很有前途的工具，用于监测旋转机械。
2021-07-01 eess.SP
Estimating Network Processes via Blind Identification of Multiple Graph Filters
研究了由共同未知输入驱动的多个网络过程的联合估计问题，从而有效地将经典的盲多通道辨识问题推广到图上。更确切地说，我们将网络过程建模为图过滤器，并考虑与定义在公共图上并由相同输入驱动的不同过滤器的输出对应的多个图信号的观察。假设底层图是已知的，输入是未知的，我们的目标是恢复网络过程的规范，即图滤波器的系数，只依赖于对输出的观察。由于该等产出由相同输入产生，因此密切相关，我们利用此关系进行估计。考虑两种设置，一种是已知滤波器的阶数，另一种是未知的。对于前一种设置，我们提出了一个最小二乘的方法，并提供恢复的条件。对于后者的情况下，我们提出了一个稀疏恢复算法的理论性能保证。数值实验验证了所提算法的有效性，分析了不同参数设置对估计性能的影响，验证了理论分析的正确性.
2019-09-27 eess.SP
A Covariance Matching Approach to Graph Topology Identification
Delft University of Technology（代尔夫特理工大学）
本文提出一种基于协方差匹配的图拓扑识别方法，通过直接对齐观测数据与理论协方差，有效处理无向和有向图，提升拓扑识别的准确性和效率。
2026-02-17 eess.SP
Random Feature Approximation for Online Nonlinear Graph Topology Identification
University of Agder（阿格德大学）
图连接时间序列的在线拓扑估计是具有挑战性的，特别是因为许多现实世界的网络中的因果依赖关系是非线性的。在本文中，我们提出了一个基于核的算法图的拓扑估计。该算法使用基于傅立叶的随机特征近似来解决与内核表示相关联的维数灾难。利用现实世界的网络往往表现出稀疏的拓扑结构的事实，我们提出了一个基于组套索的优化框架，这是解决使用迭代复合目标镜像下降法，产生一个在线算法与固定的计算复杂性每次迭代。在真实数据和合成数据上的实验表明，该方法优于其他方法。
2021-10-19 cs.LG eess.SP
Online Time-Varying Topology Identification via Prediction-Correction Algorithms
Theory Lab, Central Research Institute, 2012 Labs, Huawei Technologies Co.,Ltd（华为技术有限公司2012实验室中央研究院理论实验室）
图上支持的数据的信号处理和机器学习算法需要图拓扑的知识。除非这个信息是由问题的物理学给出的（例如，供水网络、电网），拓扑必须从数据中学习。拓扑识别是一项具有挑战性的任务，因为问题往往是不适定的，并且当图结构是时变的时变得更加困难。在本文中，我们解决了动态拓扑识别的问题，建立在最近的结果，从时变优化，设计一个通用的在线算法在非平稳环境中运行。由于其迭代约束的性质，所提出的方法表现出一个内在的时间正则化的图拓扑结构，而不显式地执行it.As一个案例研究，我们专门我们的方法高斯图模型（GGM）的问题，并证实其性能。
2021-02-10 cs.IR cs.LG eess.SP
A Generalized Weighted Overlap-Add (WOLA) Filter Bank for Improved Subband System Identification
Nokia Bell Labs（诺基亚贝尔实验室）
本文提出了一种通用加权重叠-加滤波器组，用于改进子带系统识别的性能，通过降低计算复杂度提升识别效果。
2025-11-19 eess.AS eess.SP
Identification of Edge Disconnections in Networks Based on Graph Filter Outputs
针对已知初始拓扑网络中的边断开问题，提出基于GSP的LRT、ML规则及低复杂度贪心与局部实现方法，并在合成数据和IEEE 118节点电力系统中验证其优势。
2021-06-30 eess.SP
Derivative Based Proportionate Approach for Sparse Impulse Response Identification
由于回波通道的稀疏特性，比例型算法被开发并被过度用于回波消除问题。在过去，大多数注意力都集中在一种特定类型的比例方法上，该方法将步长分配给与相应系数的幅度成比例的滤波器系数。在这封信中，我们提出了一种新的比例型算法，它考虑到估计的滤波器系数的动态行为，同时为每个系数分配单独的步长。提出的算法引入了一种有效的方式来分配个人的步长使用的时间导数的滤波器系数。所提出的算法的计算复杂度是类似于以前提出的算法。仿真结果表明，该算法的收敛速度得到了改善。
2021-07-08 eess.SP
Damage identification using noisy frequency response functions based on topology optimization
Meiji University（明治大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文提出了一种利用噪声频率响应函数和拓扑优化的鲁棒损伤识别方法，通过最小化实验模态分析与有限元分析得到的频率响应函数误差，识别结构损伤拓扑。
2026-03-19 cs.CE eess.SP
Topology-based Filtering of Graph Signals via Persistent Homology
Kyushu University（九州大学）；Kyoto University（京都大学）
研究基于拓扑的图信号滤波，区别于图谱滤波器，通过拓扑持久性区分特征。因无法精确同时去除低持久性特征，引入低持久性滤波器，在控制信号扰动时去除低于阈值的特征，并在多种信号上进行了验证。
2026-07-16 eess.SP math.AT
Joint Radio Frequency Fingerprints Identification via Multi-antenna Receiver
本文针对接收机失真未知的多天线射频指纹识别问题，提出MIWS、DFS和GDFWS三种方案，分别适用于不同天线数量场景，并通过理论分析和实验验证了其有效性与鲁棒性。
2023-07-11 eess.SP
Automatic Muscle Artifacts Identification and Removal from Single-Channel EEG Using Wavelet Transform with Meta-heuristically Optimized Non-local Means Filter
脑电信号中的肌肉伪影容易污染脑电信号，从而导致脑机接口（BCI）系统以及各种医学诊断中的错误解释。本文的主要目标是去除肌肉伪影，而不扭曲的信息中包含的EEG。提出了一种新的多阶段脑电信号去噪方法，将小波包分解（WPD）与改进的非局部均值（NLM）算法相结合。首先，通过预先训练的分类器识别伪迹EEG信号。接着，将识别出的脑电信号分解为小波系数，并通过改进的NLM滤波器进行校正。最后，通过逆WPD从校正后的小波系数重建无伪影的EEG。为了优化滤波器参数，本文首次使用了两种元启发式算法。该系统首先在模拟EEG数据上进行了验证，然后在真实EEG数据上进行了测试。该方法实现了平均互信息（MI）为2.9684 $\pm$ 0.7045真实EEG数据。结果表明，所提出的系统优于最近开发的去噪技术，具有更高的平均MI，这表明所提出的方法在重建质量方面更好，并且是全自动的。
2022-04-13 eess.SP
Robust Graph Filter Identification and Graph Denoising from Signal Observations
针对图信号处理中已知图存在观测误差导致方法次优的问题，提出顶点域非凸优化方法，联合执行图滤波器识别与图去噪，设计融合交替优化与最大化最小化的算法并推广至多GF场景，经数值分析验证优势。
2022-10-16 eess.SP
Fast Adaptive Identification of Stable Innovation Filters
研究了新息滤波器冲激响应的自适应辨识问题。脉冲响应是具有未知系数的已知基函数的有限和。这些未知的系数估计使用伪线性回归。该估计是使用基于位移秩结构的平方根算法来实现的。当初始条件具有低位移秩时，滤波器更新为$O(n)$。如果滤波器结构被选择为三角输入平衡，则估计问题是良好条件的，并且简单的低秩初始化是可用的。
2018-03-11 cs.SY eess.SP eess.SY
Line Outage Identification Based on AC Power Flow and Synchronized Measurements
提出了一种基于相量测量单元（PMU）测量和交流潮流模型的电力系统单线路故障识别方法。除了主要的识别算法外，还引入了拒绝滤波器，对初步识别结果进行进一步处理，将其分为正确识别、错误识别和不确定（包括正确过滤和错误过滤）三类。系统测试的方法使用各种大小的测试系统的各种PMU的位置，和结果表明，所提出的识别算法具有较高的识别精度和建议的拒绝滤波器是能够降低误判率，而不显着增加的不确定的情况下。
2020-11-18 cs.SY eess.SP eess.SY
Damping Identification of an Operational Offshore Wind Turbine using Kalman filter-based Subspace Identification
运行模态分析（OMA）提供了对海上风力涡轮机（OWT）结构动力学的基本见解。在这些动力学中，阻尼被认为是一个特别重要的参数，因为它决定了固有频率下的响应幅度。由于转子旋转引起的谐波激励，违反了经典OMA算法的稳态白噪声激励要求，这给运行中的OWT的识别带来了困难。最近，提出了一种新的算法，该算法通过使用卡尔曼滤波器估计谐波子信号并从响应信号中正交地去除该信号来减轻谐波，之后使用随机子空间识别算法来识别系统。在本文中，该算法进行了测试，从多兆瓦的业务OWT使用一个经济的传感器设置与两个加速度计水平的现场数据。该算法可以区分前三阶塔架弯曲模态，并通过对多个数据集进行线性Q分解，进一步提高识别结果。与已建立的谐波抑制算法，修正的最小二乘复指数和PolyMAX，进行了比较，以验证结果。
2022-09-07 cs.SY eess.SP eess.SY
Blind Identification of Invertible Graph Filters with Multiple Sparse Inputs
本文研究了图滤波器及其稀疏输入信号的盲辨识问题，从而将经典的时空信号盲反卷积的应用范围扩展到不规则图域。虽然观测值是未知数的双线性函数，但对滤波器的可逆性的温和要求使得能够实现有效的凸公式化，而不依赖于可能阻碍对大型图的适用性的矩阵提升。在缩放的顶部，有人认为，（非循环）置换歧义可能会出现一些特定的图形。确定性的充分条件下，建议的凸松弛可以准确地恢复未知数的陈述，以及那些保证可识别性下的伯努利-高斯模型的输入。合成和真实世界的网络的数值测试说明了所提出的算法的优点，以及利用多个信号来帮助扩散源的（盲）定位的好处。
2018-03-12 cs.IT eess.SP math.IT
Distributed Multichannel Wiener Filtering for Topology-Unconstrained Wireless Acoustic Sensor Networks
KU Leuven（荷语鲁汶大学）；Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西埃茨基大学）；Fraunhofer IDMT（弗劳恩霍夫工业应用声学研究所）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
研究拓扑无约束的无线声学传感器网络中分布式节点特定信号估计问题，提出TI-dMWF算法，通过交换低维融合信号计算集中式多通道维纳滤波器解，单次运行达集中式估计性能，分析了延迟、复杂度及鲁棒性。
2026-07-08 cs.IT eess.AS eess.SP
Adaptive System Identification Using LMS Algorithm Integrated with Evolutionary Computation
Baghdad University（巴格达大学）
系统辨识是信号处理和通信学科中一个非常广泛的课题，具有十分重要的意义。我们在本文中的目标是显示如何简单的自适应FIR和IIR滤波器可以用于系统建模和演示自适应系统辨识的应用。本研究的主要目的是研究LMS算法及其改进的遗传搜索方法，即LMS-GA，搜索IIR滤波器的多模态误差表面，以避免局部极小值，并找到最佳的权重向量时，只有测量或估计数据。在有色输入信号的情况下，即，通过输入信号的功率谱密度和输入信号的自相关矩阵的傅里叶变换，在自适应FIR滤波器上显示相关输入信号。对FIR和IIR滤波器的自适应滤波进行了仿真，并对白色和彩色输入信号进行了测试，以验证基于遗传算法的LMS算法的有效性。
2018-07-17 cs.LG cs.NE eess.SP
Differential Privacy of Network Parameters from a System Identification Perspective
本文从系统辨识视角研究网络参数差分隐私问题，通过对输入施加差分隐私机制保护图移位算子免受隐私系统辨识攻击，揭示了隐私边界与图滤波器谱特性、噪声协方差的关联规律。
2025-10-01 cs.CR eess.SP
Topology Identification and Inference over Graphs
University of Rochester（罗切斯特大学）；University of California Irvine（加州大学尔湾分校）；University of Minnesota（明尼苏达大学）；DEVCOM Army Research Lab.（美国陆军研究开发司令部陆军研究实验室）
本文提出了一种基于内核选择的框架，用于图上动态过程的拓扑识别与推断，结合结构方程和向量自回归模型，利用低秩、稀疏性等属性建模时间演变拓扑。
2025-12-11 cs.SI eess.SP stat.ME
Online Topology Identification from Vector Autoregressive Time Series
因果关系图通常在社会科学，自然科学和工程中进行估计，因为它们能够以适合人类解释，预测和异常检测的格式有效地表示多变量数据集的时空结构。一个流行的方法来数学形式化的因果关系是基于向量自回归（VAR）模型，并构成了一个替代众所周知的，但通常难以处理，格兰杰因果关系。依靠这样一个VAR因果关系的概念，本文开发了两种算法，具有互补的好处，以在线方式跟踪时变因果关系图。每次更新的恒定复杂性也使这些算法对大数据场景具有吸引力。尽管连续使用数据，这两种算法被证明渐近达到相同的平均性能作为一个批量估计，使用整个数据集一次。为此，次线性（静态）后悔界限的建立。性能的特点也是在随时间变化的设置通过动态后悔分析。真实数据和合成数据的数值结果进一步支持了所提出的算法在静态和动态场景下的优点。
2020-11-13 eess.SP stat.ML
Directed Graph Topology Inference via Graph Filter Identification
NVIDIA；Dept. of Signal Theory and Comms.（信号理论与通信系）；King Juan Carlos University（胡安卡洛斯国王大学）；Dept. of Electrical and Computer Eng.（电气与计算机工程系）；Rice University（里士满大学）；University of Rochester（罗切斯特大学）
针对线性扩散动力学产生的节点观测，提出通过识别图卷积滤波器来推断有向图拓扑，利用输入协方差的谱多样性保证可辨识性，并设计交替优化算法。
2026-06-29 cs.LG cs.SI eess.SP
Topology-driven identification of repetitions in multi-variate time series
本研究针对多变量时间序列的重现时刻估计问题，提出基于持续同调的框架，内含三种可证明稳定的专用方法，适配不同循环行为模式，并通过含注塑机新基准数据集的真实数据完成验证。
2025-05-19 cs.CG eess.SP math.AT
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
Graph Filter Transfer via Probability Density Ratio Weighting
Tokyo University of Science（东京理科大学）
图形信号的恢复问题是图形信号处理的主要课题之一。一个代表性的方法，这个问题是图维纳滤波器，它利用统计信息的目标信号计算的历史数据，以构建一个有效的估计。然而，我们经常会遇到由于拓扑变化导致当前图与历史数据不同的情况，从而导致估计器的性能下降。本文提出了一种图滤波传递方法，该方法在拓扑变化的情况下从历史数据中学习一个有效的估计器。所提出的方法利用当前和历史观测的概率密度比，并构造一个估计器，最大限度地减少当前图域中的重建误差。对合成数据的实验表明，该方法优于其他方法。
2022-10-27 cs.LG eess.SP
Online Filtering over Expanding Graphs
Delft Institute of Technology（代尔夫特理工大学）
图上的数据处理任务通过图信号处理工具将驻留在节点上的数据与拓扑耦合。图滤波器就是这样一个突出的工具，已被用于去噪、插值和分类等应用。然而，它们主要用于固定图，尽管许多网络在实践中不断增长，节点不断地连接到拓扑结构。每次新节点连接时重新训练过滤器在计算上要求很高;因此需要适应不断变化的图的在线学习解决方案。我们提出了一个在线更新的过滤器，基于在线机器学习的原则。为了更新过滤器，我们执行在线梯度下降，它具有相对于离线计算的过滤器的可证明的遗憾界。我们展示了我们的方法在传入节点的信号插值的性能。合成和基于图的推荐系统的数值结果表明，所提出的方法相比，离线基线过滤器，同时优于竞争对手的方法。这些发现为扩展图的有效过滤奠定了基础。
2023-01-17 cs.LG eess.SP
A Machine-Learning-Based Direction-of-Origin Filter for the Identification of Radio Frequency Interference in the Search for Technosignatures
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
射频干扰（RFI）的缓解仍然是寻找无线电技术特征的一个主要挑战。典型的缓解策略包括原点方向（DoO）滤波器，其中如果在天空的多个方向上检测到信号，则将其分类为RFI。这些分类通常依赖于信号特性的估计，例如频率和频率漂移率。卷积神经网络（CNN）为现有滤波器提供了一个有前途的补充，因为它们可以经过训练直接分析动态光谱，而不是依赖于推断的信号属性。在这项工作中，我们编译了几个由标记的动态光谱图像对组成的数据集，我们设计并训练了一个CNN，它可以确定在一次扫描中检测到的信号是否也存在于另一次扫描中。这种基于CNN的DoO过滤器在一系列指标上优于基线2D相关模型和现有的DoO过滤器，精确度和召回率分别为99.15%和97.81%。我们发现，在标称情况下，CNN将应用传统DoO滤波器后需要目视检查的信号数量减少了6-16倍。
2021-12-22 astro-ph.EP astro-ph.IM cs.LG
Online Graph Topology Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation
Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦校区电子与电气工程系）；National Heart and Lung Institute, Imperial College London（帝国理工学院伦敦校区国家心脏和肺研究所）
本文提出稀疏感知自适应算法AdaCGP，用于从多元时间序列动态估计图拓扑，在模拟中GSO估计改进超83%，并在心脏颤动记录中优于格兰杰因果性，具有临床诊断潜力。
2025-08-07 cs.LG eess.SP stat.ML
Deep recurrent-convolutional neural network learning and physics Kalman filtering comparison in dynamic load identification
University of Southampton（南安普顿大学）
本文比较了GRU、LSTM和CNN在小数据集下的动态载荷识别能力，发现各方法在不同载荷场景下表现各异，而物理参数化可识别时残差卡尔曼滤波器表现更优。
2025-10-30 cs.CV cs.LG cs.SY
