Unified Analysis of Cooperative Spectrum Sensing over Composite and Generalized Fading Channels
在本文中,我们研究了合作频谱感知(CSS)与多天线节点在复合和广义衰落信道的性能。我们使用混合伽马(MG)分布建模的概率密度函数(PDF)的信噪比(SNR)。然后,我们推导出一个广义的封闭形式的能量检测的概率表达式,它可以有效地用于广义多径以及复合(多径和阴影)衰落信道。CSS中的衰落和阴影的情况下的复合效果减轻通过应用最佳的融合规则,最大限度地减少总出错率(TER),其中的最佳数目的节点推导出贝叶斯准则下,假设错误的反馈信道。对于不完美的反馈信道,我们证明了一个TER地板的CR节点的天线的数量增加的存在。因此,我们推导出最小化TER的天线数量的最佳规则。数值和蒙特卡罗模拟证实了分析结果,并提供说明不同的复合衰落信道之间的性能比较。
2015-03-04 cs.IT math.IT
Convergence of the Generalized Alternating Projection Algorithm for Compressive Sensing
研究了广义交替投影(GAP)算法求解压缩感知问题$\yv = \Amat \xv + \epsilonv$的收敛性。通过假设$\Amat\Amat\ts$可逆,证明了当感知矩阵$\Amat$满足$δ_{2K}$的限制等距性(RIP)条件时,GAP在一定步长范围内线性收敛,其中$K$是$\xv$的稀疏性.理论分析扩展到自适应迭代阈值(AIT)算法,其收敛速度也推导出基于$δ_{2K}$的传感矩阵。我们进一步证明了在相同条件下,GAP算法的收敛速度比AIT算法快。大量的仿真结果证实了理论断言。
2015-09-04 cs.IT math.IT stat.AP
Generalized Distributed Compressive Sensing
分布式压缩感知(DCS)通过利用信号内和信号间的相关性和稀疏性结构来提高多信号集成的信号恢复性能。然而,现有的DCS被提出用于具有单个公共信息\cite{Baron:2009vd}的非常有限的信号集合。在本文中,我们提出了一个广义DCS(GDCS),它可以提高稀疏信号检测性能给定任意类型的公共信息,不仅分为完整的公共信息,但也有各种部分的公共信息。使用GDCS的测量所需的数量的理论界。不幸的是,GDCS可能需要关于信号集合的各种公共信息的优先级知识,以增强现有DCS的性能。为了解决这个问题,我们提出了一种新的算法,可以搜索信号之间的相关结构,对于任意相关的多信号集合,即使没有相关结构的先验知识,所提出的GDCS也可以提高检测性能。
2012-11-28 cs.IT math.IT
Approximate Message Passing-based Compressed Sensing Reconstruction with Generalized Elastic Net Prior
本文研究了具有广义弹性网先验(GENP)的压缩感知重构问题,其中稀疏信号通过含噪欠定线性观测系统采样,并且在重构过程中可获得信号的附加初始估计(GENP).我们首先将GENP纳入LASSO和近似消息传递(AMP)框架,分别表示为GENP-LASSO和GENP-AMP。然后,我们调查的参数选择,状态演变,和噪声敏感性分析的GENP-AMP。我们表明,由于GENP,在所提出的框架中没有相变边界,即,重构误差在整个平面内是有界的。误差也小于标准AMP和标量去噪的误差。一个实用的无参数版本的GENP-AMP也被开发出来,它不需要知道未知信号的稀疏性和GENP的方差。仿真结果验证了所提出方案的有效性。
2015-02-18 cs.IT math.IT
Generalized sampling: stable reconstructions, inverse problems and compressed sensing over the continuum
Purdue Univ.(普渡大学);Univ. of Cambridge(剑桥大学);Hochsc. Neubrandenburg(新勃兰登堡高等学校)
本文探讨了基于类比或无限维图像和信号模型的重建问题,提出广义采样在稳定重建、逆问题和稀疏恢复中的应用,构建了连续域压缩感知理论。
2013-10-04 cs.IT cs.NA math.IT
Truly Sub-Nyquist Generalized Eigenvalue Method with High-Resolution
本文提出一种基于信号组件不相干性和微分运算线性保持特性的广义特征值方法,实现子奈奎斯特采样下的超分辨率信号参数提取,解决频谱泄漏和栅栏效应问题,提升压缩频谱传感的实用性。
2026-04-29 cs.IT math.IT
Generalized Orthogonal Approximate Message-Passing for Sublinear Sparsity
Toyohashi University of Technology(丰桥技术科学大学)
本文提出广义正交AMP算法,用于亚线性稀疏信号的重建,通过Onsager修正实现估计误差的渐近高斯性,证明在特定条件下可实现无误差重建。
2026-04-10 cs.IT math.IT
Coding for Sensing: An Improved Scheme for Integrated Sensing and Communication over MACs
被认为是一个无记忆的状态相关的多址接入信道(MAC),其中两个发射机希望传达他们的消息到一个单一的接收机,同时通过广义反馈感测(估计)各自的状态。对于这个信道,提供了一个改进的内界上的基本速率失真的权衡,其特征的通信速率的发射机可以实现,同时确保他们的状态估计满足所需的失真标准。新的内界是基于一个计划,其中每个发射机编码的广义反馈,以改善在其他发射机的状态估计。这是在对比的点对点和广播信道的编码仅用于传输的消息和最佳的估计器上操作的一个符号一个符号的基础上的序列的信道输入和反馈输出的方案。
2022-03-31 cs.IT math.IT
Super-Resolution Compressed Sensing: A Generalized Iterative Reweighted L2 Approach
传统的压缩感知理论假设信号在已知的有限字典中具有稀疏表示。然而,在许多实际应用中,如波达方向(DOA)估计和线性谱估计,稀疏字典通常是由一组未知参数在一个连续的域。为了将传统的压缩感知技术应用于此类应用,必须将连续参数空间离散化为有限的网格点集,基于该网格点集构建用于稀疏信号恢复的“假定字典”。然而,离散化不可避免地会引起误差,因为真实参数不一定位于离散化网格上。这种错误也称为网格不匹配,可能导致恢复性能恶化甚至恢复失败。为了解决这个问题,在本文中,我们提出了一个广义的迭代加权L2方法,联合估计稀疏信号和未知参数与真正的字典。该算法通过迭代减少优化给定目标函数的代理函数,从而形成一个渐进的交织迭代过程来细化未知参数和稀疏信号。一个简单而有效的计划开发自适应更新的正则化参数,控制之间的折衷的解决方案和数据拟合误差的稀疏性。扩展所提出的算法的多个测量矢量的情况下也被认为是。数值结果表明,该算法实现了超分辨率精度,并显示出优于其他现有方法。
2014-12-18 cs.IT math.IT
One-bit Spectrum Sensing with the Eigenvalue Moment Ratio Approach
一位模数转换器(ADC)作为一种极其简单的比较器来完成信号采样,由于其低成本、低功耗和高采样率而成为频谱感知的主流技术。在这封信中,我们提出了一种新的基于特征值矩比(EMR)的1比特感知方法,这已被证明是非常有效的传统的多天线频谱感知在$\infty$比特的情况下。特别地,我们通过中心极限定理(CLT)在零假设下确定了一比特EMR的渐近分布,使我们能够直接使用一比特样本进行频谱感知。理论和仿真分析表明,该方法可以在较低的硬件成本下提供相当好的传感性能。
2021-04-08 cs.IT eess.SP math.IT
A Weighted Generalized Coherence Approach for Sensing Matrix Design
Indian Institute of Technology, Bombay(印度理工学院孟买分校)
与使用随机生成的感测矩阵相比,优化感测矩阵w.r.t.已知一种精心设计的准则在给定一组压缩测量的情况下导致更好质量的信号恢复。在本文中,我们提出了推广的著名的互相关准则优化传感矩阵从随机初始条件。我们将这些概括称为双相干或三相干,并且它们基于阻止感测矩阵的任何一列接近其他列的稀疏线性组合的标准。我们还结合了训练数据,以通过加权相干性、加权双相干性或加权三相干性标准来进一步改进感测矩阵,这些标准根据感测矩阵列的重要性将权重分配给感测矩阵列。最后给出了一个求解优化问题的算法。最后,通过实验结果验证了该算法的有效性.
2021-10-06 cs.CV cs.IT eess.IV
Generalized Approximate Message-Passing for Compressed Sensing with Sublinear Sparsity
针对亚线性稀疏度下的广义线性测量信号重建问题,提出基于状态演化的广义近似消息传递(GAMP)算法,推导其样本复杂度的重建阈值,数值模拟表明该算法在样本复杂度上优于现有算法。
2025-02-20 cs.IT math.IT
Robust Bayesian compressed sensing over finite fields: asymptotic performance analysis
本文讨论了有限域上的鲁棒贝叶斯压缩感知问题。对于平稳和遍历源,它提供了渐近(与向量的大小估计)的必要和充分条件所需的测量,以实现消失的重建误差的数量,在存在感测和通信噪声。在所有考虑的情况下,必要条件和充分条件渐近一致。在存在通信噪声的情况下,建立了传感矩阵稀疏性的条件。一些先前发表的结果进行了推广和扩展。
2014-01-17 cs.IT math.IT
Inferring Sparsity: Compressed Sensing using Generalized Restricted Boltzmann Machines
École Normale Supérieure, PSL Research University(巴黎高等师范学院,PSL研究大学);Université Pierre et Marie Curie, Sorbonne Universités(皮埃尔和玛丽·居里大学,索邦大学);INRIA Paris(法国国家信息与自动化研究所巴黎中心)
在这项工作中,我们认为压缩感知重建$M$测量的$K$稀疏结构的信号,不具有可写的相关模型。假设一个生成的统计模型,如玻尔兹曼机,可以在一个无监督的方式对示例信号进行训练,我们演示了如何在贝叶斯信号重建框架内使用这个信号模型。通过推导出一般分布限制玻尔兹曼机的消息传递推断,我们能够将这些推断的信号模型集成到压缩感知重构的近似消息传递中。最后,我们证明了MNIST数据集,这种方法可以是非常有效的,即使是$M < K$。
2016-06-13 cond-mat.dis-nn cs.IT cs.LG
A sharp bound on RIC in generalized orthogonal matching pursuit
广义正交匹配追踪(gOMP)算法作为正交匹配追踪算法的一种自然扩展,近年来受到广泛关注。它被用来恢复压缩感知中的稀疏信号。本文给出了无噪声情况下gOMP算法精确重构每个$K$稀疏信号的一个新的界。也就是说,如果感测矩阵$A$的受限等距常数(RIC)$δ_{NK+1}$满足\begin{eqnarray*} δ_{NK+1}<\frac{1}{\sqrt{\frac{K}{N}+1}}, \end{eqnarray*},则gOMP可以从$y=Ax$完美地恢复每个$K$ -稀疏信号$x$。此外,在下面的意义下,该界被证明是尖锐的。对于任何给定的正整数$K$,我们构造具有RIC \begin{eqnarray*} δ_{NK+1}=\frac{1}{\sqrt{\frac{K}{N}+1}} \end{eqnarray*}的矩阵$A$,使得gOMP可能无法恢复某些$K$稀疏信号$x$。在噪声情况下,关于每个$K-$稀疏信号的非零分量的最小幅度的额外条件与感测矩阵$A$的RIC的上述界限组合足以恢复gOMP对每个$K$稀疏信号的真实支持。
2016-04-12 cs.IT math.IT
Sampling and Reconstruction of Sparse Signals in Shift-Invariant Spaces: Generalized Shannon's Theorem Meets Compressive Sensing
本文介绍了一种新的框架和相应的方法,采样和重建的稀疏信号在移不变(SI)空间。我们重新解释的随机解调器,一个系统,获取稀疏的带限信号,作为一个系统的采样的线性组合的采集在SI设置与框函数作为采样内核。利用稀疏性假设的压缩感知(CS)的范例从一组减少的测量的SI样本的恢复。SI样本随后由离散时间校正滤波器滤波以重构所观察信号的展开系数。此外,我们提供了一个推广的建议框架,以其他composite支持的采样内核,跨越更广泛的类SI空间。该方法将校正滤波器嵌入到CS优化问题中,直接重构信号的展开系数。这两种方法重铸一个固有的连续域反问题在一组有限维CS问题在一个确切的方式。最后,我们对多项式B样条空间中的信号进行了数值实验,假设其展开系数在一定的变换域中是稀疏的。这些系数可以被看作是一个基本的连续时间信号的参数模型,从一组减少的测量。这种连续的信号表示特别适合于信号处理而不将它们转换成样本。
2022-01-20 cs.IT eess.SP math.IT
Covariance-Based OFDM Spectrum Sensing with Sub-Nyquist Samples
在本文中,我们提出了一种基于特征的方法的频谱感知的OFDM信号的子奈奎斯特样本在一个单一的频带。我们利用OFDM信号的协方差矩阵的结构,将一组欠定的基于协方差的方程转换为超定的。分析了样本协方差矩阵的统计特性,并在此基础上推导出了一种近似的广义似然比检验(GLRT),用于从亚奈奎斯特样本中检测OFDM信号。该方法也被推广到频率选择性信道。
2015-01-10 cs.IT math.IT
Towards Designing Optimal Sensing Matrices for Generalized Linear Inverse Problems
Columbia University(哥伦比亚大学);Institute of Computational Mathematics and Scientific/Engineering Computing, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院计算数学与科学工程计算研究所)
本文研究广义线性逆问题中传感矩阵对 EP 恢复性能的影响,提出谱尖峰性度量,揭示其作用取决于非线性函数,并据此给出相位恢复与1比特压缩感知中的最优矩阵设计启示。
2023-08-20 cs.IT cs.LG math.IT
Generalized Tensor Summation Compressive Sensing Network (GTSNET): An Easy to Learn Compressive Sensing Operation
Tampere University(坦佩雷大学);Qatar University(卡塔尔大学)
在压缩感知文献中,人们的努力可以分为两组:找到一个最大限度地保留压缩信息的测量矩阵,以及找到一个压缩信息的重建算法。在传统的CS设置中,测量矩阵被选择为随机矩阵,并且使用基于优化的迭代解来恢复信号。然而,当我们处理大信号时,使用随机矩阵变得很麻烦,特别是在基于迭代优化的解决方案中。尽管最近基于深度学习的解决方案在提高重建精度的同时加快了恢复速度,但联合学习整个测量矩阵仍然是一个困难的过程。在这项工作中,我们介绍了一个可分离的多线性学习的CS矩阵表示为任意数量的张量的总和。对于CS操作被设置为单个张量乘法的特殊情况,模型被简化为基于学习的可分离CS;而稠密CS矩阵可以近似和学习为多个张量的总和。这两种情况都可以用在二维或多维信号的CS中,结构CS矩阵也可以很容易地近似和学习我们的多线性可分离学习设置与结构张量和表示。因此,我们的可学习广义张量求和CS操作封装了大多数CS设置,包括可分离CS,不可分离CS(传统的向量矩阵乘法),结构CS和多维信号的CS。对于灰度和RGB图像,所提出的方案超过了大多数最先进的解决方案,特别是在较低的测量速率。虽然从灰度图像的张量到张量表示的总和的性能增益仍然有限,但在RGB情况下变得显著。
2021-08-04 cs.IT cs.LG eess.SP
Joint State Sensing and Communication over Memoryless Multiple Access Channels
一个无记忆的状态相关的多址接入信道(MAC)被认为是两个发射机希望传达一个相应的消息,同时通过广义反馈估计相应的信道状态的接收机。该方案是由联合雷达和通信系统,其中雷达和数据应用程序共享相同的带宽。一个可实现的容量失真的折衷区域推导出优于资源共享方案,通过二进制擦除MAC与二进制状态。
2019-02-11 cs.IT math.IT
Accurate Prediction of Phase Transitions in Compressed Sensing via a Connection to Minimax Denoising
压缩感知假设,在一定范围内,人们可以对稀疏信号进行欠采样,但仍能准确地重建它。了解这种欠采样的精确限制对于理论和实践都很重要。我们提出了一个公式,广义稀疏对象的特征允许欠采样。该公式适用于压缩感知的近似消息传递(AMP)算法,在这里推广到采用除传统的标量软阈值去噪算子。本文给出了几个例子,包括标量降噪不来自凸惩罚-公司收缩非线性和极大极小非线性-和非标量降噪-块阈值,单调回归,总变差最小化。令变量eps = k/N和delta = n/N表示用于根据y=Ax_0对k-广义稀疏N-向量x_0进行采样的广义稀疏度和欠采样分数。这里A是n \times N测量矩阵,其条目是iid标准高斯。该公式指出,区分AMP对x_0的成功重建与不成功重建的相变曲线delta = delta(eps)由下式给出:|降噪器),其中M(eps| Denoiser)表示直接观察问题y = x + z中指定的最佳调谐去噪器的每坐标最小最大均方误差(MSE)。简而言之,无噪声欠采样问题的相变与去噪问题中的极小极大MSE相同。
2013-01-08 cs.IT math.IT math.ST
A Multi-scale Generalized Shrinkage Threshold Network for Image Blind Deblurring in Remote Sensing
School of Mathematics and Computational Science, Xiangtan University(湘潭大学数学与计算科学学院);School of Automation and Electronic Information, Xiangtan University(湘潭大学自动化与电子信息学院)
本文提出多尺度广义收缩阈值网络MGSTNet,通过交替迭代收缩阈值、可学习模糊核近端映射和结合注意力机制的多尺度深度先验特征提取,实现遥感图像盲去模糊,并在真实与合成数据集上验证了其优越性。
2024-02-21 cs.CV cs.IT eess.IV
Weighted $\ell_1$-minimization for generalized non-uniform sparse model
基于模型的压缩感知是指对先验已知的稀疏信号具有额外结构的压缩感知。最近的工作表明,无论是对信号的确定性和概率模型,这些额外的信息可以成功地利用,以提高恢复性能。特别是,加权的$\ell_1$ -最小化与适当的选择的权重已被证明,以提高性能,在所谓的非均匀稀疏模型的信号。在本文中,我们考虑一个完整的推广的非均匀稀疏模型非常温和的假设。我们证明,当测量得到使用一个矩阵与独立同分布高斯条目,加权$\ell_1$ -最小化成功地恢复稀疏信号从其测量压倒性的概率。我们还提供了一种方法来选择这些权重的任何一般的信号模型从非均匀稀疏类的信号模型。
2014-09-16 cs.IT math.IT
Spectrum Sensing in the Presence of Multiple Primary Users
我们考虑认知无线电网络中,当可能有多个主用户的多天线合作频谱感知。在这种情况下,基于球形测试的检测器进行了分析。基于所涉及的分布的矩,简单而准确的分析公式推导出的检测器的关键性能指标。虚警和检测概率以及检测阈值和接收机操作特性以封闭形式可用。仿真结果验证了所得结果的准确性,并与其他检测器在现实的传感场景进行比较。
2012-01-03 cs.IT math.IT
Compressed Sensing Channel Estimation for OFDM with non-Gaussian Multipath Gains
分析了非高斯多径分量(MPC)幅度分布对OFDM系统压缩感知(CS)信道估计器性能的影响。任何CS算法需要估计以准确地表示信道的主导MPC的数量的特征。该数字涉及信道的可压缩性指数(CI),其取决于MPC幅度分布的四阶矩。任何CS估计算法的均方误差(MSE)和MPC幅度分布四阶矩之间的连接被揭示,当这些组件具有大的四阶矩幅度增益时,需要较少数量的MPC来很好地估计信道。通过对具有对数正态MPC的信道(例如,纽约大学毫米波信道模型)的模拟来验证分析结果。这些仿真结果表明,当MPC幅度分布具有高的四阶矩时,众所周知的正交匹配追踪CS算法的性能几乎与基追踪去噪算法相同,但计算成本要低得多。
2020-02-20 cs.IT eess.SP math.IT
Locally Best Invariant Test for Multiple Primary User Spectrum Sensing
我们考虑认知无线电网络中,当可能有多个主用户的多天线合作频谱感知。在这种情况下,分析了在低信噪比制度中最佳的无噪声不确定性检测器。具体地说,我们得到的确切时刻的测试统计量,从而导致简单而准确的分析公式的虚警概率和决策阈值。仿真研究所得到的结果的准确性,并与其他检测器在现实的传感场景进行比较。
2012-03-28 cs.IT math.IT
Joint Sensing and Communication over Memoryless Broadcast Channels
被认为是一个无记忆的状态相关的广播信道(BC),其中的发射机希望传达两个私人消息,同时通过广义反馈估计各自的状态,两个接收机。该模型是由联合雷达和通信系统驱动的,其中雷达和数据应用共享相同的频带。对于i.i.d.状态序列,我们表征的容量失真权衡区。对于一般的BC,我们提供的capacitydistortion区域的内部和外部边界,以及一个充分条件时,它等于产品的容量区域和可实现的失真的集合。有趣的是,所提出的协同设计显着优于传统的方法,分裂的资源用于传感或通信。
2020-11-06 cs.IT math.IT
One-Bit Compressive Sensing of Dictionary-Sparse Signals
一位压缩感知扩展了稀疏恢复的范围,表明稀疏信号可以准确地重建,即使当它们的线性测量受到二进制样本的极端量化方案-只有每个线性测量的符号被保持。现有的一比特压缩感知的结果依赖于这样的假设,即感兴趣的信号在某个固定的正交基中是稀疏的。然而,在大多数实际应用中,信号相对于过完备字典是稀疏的,而不是基。在经典压缩感知设置中,已经有大量活动在这种广义稀疏模型下获得恢复保证。在这里,我们将一位框架扩展到这个重要的模型,提供了字典稀疏下的一位压缩感知的统一理论。具体来说,我们分析了几种不同的算法-基于凸规划和硬阈值-并表明,在自然的假设下的传感矩阵(满足高斯矩阵),这些算法可以有效地恢复分析字典稀疏信号的一位模型。
2016-06-24 cs.IT math.IT
Rank-Metric Codes, Generalized Binomial Moments and their Zeta Functions
本文引入了一类新的极值码,即$i$ -BMD码.我们表明,对于这个家庭的几个不变量是由底层代码的参数。我们完善和扩展的概念,$i$ -MRD码,并表明,$i$ -BMD码形成一个适当的子类的$i$ -MRD码。然后利用$i$ -BMD码类,得到了广义秩权枚举数与其对应的广义zeta函数之间的关系.我们还建立了广义秩权分布的MacWilliams恒等式。
2019-12-06 cs.IT math.IT
On Generalized Optimal Hard Decision Fusion
在这封信中,我们制定了一个广义的决策融合问题(GDFP)的传感与集中式硬决策融合。我们表明,各种新的和现有的决策融合规则的GDFP建议的特殊情况。然后,我们将我们的问题与经典的$0-1$背包问题(KP)。因此,我们应用动态规划在多项式时间内求解指数复GDFP。数值结果验证了所提出的解决方案的有效性。
2017-06-21 cs.IT math.IT
Exact Reconstruction using Beurling Minimal Extrapolation
我们证明了在实直线上具有有限支撑的测度是一个算法的唯一解,该算法称为广义极小外推,只涉及有限个广义矩(包括标准矩、拉普拉斯变换、Stieltjes变换等).广义最小外推法与Chen,Donoho和Saunders [CDS 98]的基追踪具有相关的几何性质。事实上,我们还扩展了压缩传感的一些标准结果(对偶多项式,零空间属性)的带号测度框架。我们表示在一个简单的插值问题的精确重建。我们证明了每一个非负测度,支持的一个集包含s个点,可以准确地恢复从只有2s + 1广义矩。这一结果导致一个新的压缩感知的确定性传感矩阵的建设。
2012-04-05 cs.IT math.IT math.OC
Antenna Placement for Monostatic Near-Field Wireless Sensing
City University of Hong Kong(香港城市大学)
针对单站近场感知系统,提出基于矩分析的闭式天线布局与功率分配联合优化方法,实现最坏情况SPEB最小化,显著优于传统方案。
2026-09-17 cs.IT eess.SP math.IT
Data-aided Sensing for Gaussian Process Regression in IoT Systems
Deakin University(迪肯大学)
在本文中,有效的数据汇集与有限的带宽,数据辅助传感应用高斯过程回归,用于学习从物联网系统中的传感器收集的数据集。我们专注于插值的传感器的测量从少量的测量上传的一小部分传感器使用高斯过程回归与数据辅助传感。由于主动传感器的选择,它表明,高斯过程回归与数据辅助传感可以提供一个很好的估计一个完整的数据集相比,随机选择。与多通道ALOHA,数据辅助传感广义分布式选择上传时,传感器可以有反馈的预测,他们的测量,使每个传感器可以决定是否上传比较其测量与预测的。数值结果表明,修改后的多通道ALOHA预测,可以帮助提高性能的高斯过程回归与数据辅助感测相比,传统的多通道ALOHA等上传概率。
2020-11-23 cs.IT cs.LG math.IT
Simultaneous Greedy Analysis Pursuit for Compressive Sensing of Multi-Channel ECG Signals
本文讨论了多通道心电图的压缩传感。传统的稀疏信号恢复方法将信号分解为字典和稀疏向量的乘积,而最近发展起来的cosparse方法利用了分析矩阵和原始信号乘积的稀疏性。我们将余分析贪婪分析追踪(GAP)算法用于ECG信号的压缩感知。此外,为了减少处理时间,将经典的单通道GAP算法推广到多通道GAP算法,该算法同时重构多个具有相似支持度的信号。数值实验表明,该方法在精度上优于经典稀疏多通道贪心算法,在处理速度上优于单通道余分析方法.
2013-11-20 cs.DS cs.IT math.IT