Generalized Modified Blake-Zisserman Robust Spline Adaptive Filter for Generalized Gaussian Noise
School of Electrical Engineering, Southwest Jiaotong University(西南交通大学电气工程学院)
针对现有样条自适应滤波在广义高斯噪声、脉冲噪声及离群点下性能下降的问题,提出SAF-GMBZ算法并推导其收敛特性,进一步提出FcGMBZ算法用于有源噪声控制,仿真验证了二者的性能优势。
2025-10-22 eess.SP
Complex-Valued Symbol Transmissions in Filter Bank Multicarrier Systems using Filter Deconvolution
使用滤波器组多载波系统的复值符号的传输一直是一个问题,这是由于在时域和频域中传输的符号之间的自干扰(所谓的固有干扰)。在本文中,我们提出了一种新的低复杂度的无干扰滤波器组多载波系统与QAM调制(FBMC/QAM)使用滤波器解卷积。所提出的方法是基于原型滤波器的反转,其完全去除接收器处的固有干扰,并允许使用复值信令。在FBMC/QAM与不建议的系统的干扰项进行了分析和比较的均方误差(MSE)。理论分析和仿真结果表明,该方法在不增加多径信道残余干扰的情况下,消除了固有干扰,提高了输出信号与干扰加噪声比(SINR)。所提出的系统的复杂性也进行了分析,随着在异步多服务的情况下的性能评估。仿真结果表明,采用滤波器解卷积的FBMC/QAM系统性能优于传统的OFDM系统。
2017-11-24 eess.SP
Bounding Multivariate Trigonometric Polynomials with Applications to Filter Bank Design
多元三角多项式的极值问题在从控制理论到滤波器设计的各个领域都有着广泛的应用,但求这种多项式的极值问题通常是NP难的。在本文中,我们开发了简单和有效的可计算的估计的极值的多元三角多项式直接从它的样本。给出了复三角多项式模的上界,并给出了实三角多项式模的上界和下界。对于一个单变量多项式,这些界限比现有的界限更严格,并且扩展到多元多项式是新的。作为应用,该下界给出了实三角多项式全局正性的一个充分条件。我们利用这个条件来激发一个新的算法,多维,多速率,完美的重建滤波器组的设计。我们证明我们的算法通过设计一个2D完美重建滤波器组。
2018-08-03 eess.SP
Affine Filter Bank Modulation: A New Waveform for High Mobility Communications
本文提出面向高移动性ISAC的仿射滤波器组调制波形,结合滤波器组与DAFT预编码,在保持准正交性的同时降低PAPR并抑制带外发射。
2025-05-06 eess.SP
SIR Analysis for Affine Filter Bank Modulation
Federal University of Technology - Paraná(巴拉那联邦技术大学);Constructor University(Constructor 大学);Conservatoire National des Arts et Métiers(国立工艺学院)
本文分析了仿射滤波器组调制在不同域下的信干比表现,揭示了滤波时域中独特的干扰抵消机制,验证了其在性能上的优势。
2025-11-26 eess.SP
Comparative Analysis of Filter Bank Waveforms for ISAC Systems: 2D-FFT FB and AFBM
Federal University of Technology - Paraná(巴拉那联邦技术大学);Constructor University(Constructor 大学);Conservatoire National des Arts et Métiers - Paris(巴黎国立工艺博物馆)
本文比较了2D-FFT FB与AFBM两种滤波器组波形在高移动性ISAC系统中的性能,分析了OOBE、PAPR、BER及模糊函数,为6G车载通信等场景提供波形选择参考。
2026-10-07 eess.SP
Multi-channel Sampling on Graphs and Its Relationship to Graph Filter Banks
在本文中,我们考虑多通道采样(MCS)的图形信号。在许多应用中,我们经常会遇到带限图信号之外的全带图信号,例如分段常数/光滑和带限图信号的联合。全频带图形信号可以由符合不同生成模型的多个信号的混合来表示。这需要通过多个采样系统来分析图形信号,即,MCS,而现有的方法只考虑单通道采样。我们开发了一个基于广义采样的MCS框架。我们还提出了一个采样集选择(SSS)的方法,建议的MCS,使图形信号是最好的恢复。此外,我们发现,现有的图形滤波器组可以被视为一个特殊的情况下,建议的MCS。在信号恢复实验中,所提出的方法表现出有效的恢复全带图形信号。
2023-01-28 eess.SP
Low-Complexity Receiver Design for Affine Filter Bank Modulation
本文针对集成感知与通信系统中的仿射滤波器组调制(AFBM)提出基于高斯信念传播的低复杂度接收机,在双色散信道中误码率优于仿射频分复用,且带外发射低。
2025-06-20 eess.SP
Lossy Compression of Adjacency Matrices by Graph Filter Banks
提出基于图滤波器组的加权邻接矩阵有损压缩框架,无损保留拓扑信息,有损压缩边权重,实验验证其有效性。
2024-02-05 eess.SP
Perfect Reconstruction Two-Channel Filter Banks on Arbitrary Graphs
本文将完美重构双通道滤波器组理论从二部图扩展到任意连通无向加权图,通过推广上下采样建立框架,求解重构方程,给出正交与双正交设计算法,并验证了其局部性与近似性质。
2023-04-03 cs.IT eess.SP math.IT
Spectral folding and two-channel filter-banks on arbitrary graphs
在过去的十年中,已经提出了一些多分辨率表示理论的图形信号。二分滤波器组作为时域滤波器组的最自然的扩展而脱颖而出,部分原因在于图谱域中的完美重构、正交性和双正交性条件类似于传统滤波器组的条件。因此,许多公知的正交和双正交设计可以容易地适用于图形信号。一个主要的限制是,这个框架只能应用于规范化的二部图的拉普拉斯算子。本文将这一理论推广到任意图和半正定变分算子。我们的方法是基于一个不同的定义的图形傅里叶变换(GFT),其中正交性的定义相对于Q内积。我们构造GFT满足频谱折叠属性,这使我们能够很容易地构建正交和双正交完美重建滤波器组。我们说明了我们的滤波器组的信号表示和计算效率的3D点云与数十万个点。
2020-10-23 eess.IV eess.SP
A data-driven filter bank framework for IMU-based heave motion estimation
ASELSAN Inc.(ASELSAN公司)
提出一种数据驱动框架,通过优化一组与特定频率范围相关的IIR滤波器,利用合成数据集实现IMU垂荡运动的高精度鲁棒估计。
2026-06-01 eess.SP
Perfect Reconstruction Two-Channel Filter Banks on Arbitrary Graphs Based on an Optimization Model
针对任意图上的临界采样完全重构两通道滤波器组构造问题,提出通用频谱折叠性质与基于优化的图 Fourier 基求解算法,并通过真实与合成数据验证有效性。
2022-08-04 eess.SP
Track-before-detect Algorithm based on Cost-reference Particle Filter Bank for Weak Target Detection
本文提出基于代价参考粒子滤波器组(CRPFB)的检测前跟踪算法,将弱目标检测转化为两层假设检验,在非线性调频信号实验中取得优于现有方法的检测、跟踪和时间效率表现。
2023-09-25 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
Two Channel Filter Banks on Arbitrary Graphs with Positive Semi Definite Variation Operators
针对任意图信号处理,本文提出基于半正定变分算子和新型GFT的双通道GFB,保证完全重构与临界采样,并通过顶点划分优化在大规模3D点云上提升表示质量。
2023-02-28 eess.SP
Filter-Banks for Ultra-Wideband for Communications, Sensing, and Localization
本文提出滤波器组多载波扩频(FBMC-SS)作为超宽带通信、感知和定位的候选波形,重点研究交错多音扩频(SMT-SS)技术,其利用偏移正交幅度调制(OQAM)在重叠子载波上传输数据,具有良好频谱效率和平坦功率谱密度,能有效利用UWB频谱掩模。
2025-03-27 eess.SP
Affine Filter Bank Modulation (AFBM): A Novel 6G ISAC Waveform with Low PAPR and OOBE
本文提出AFBM波形,结合FBMC与AFDM概念,在双色散信道下实现低PAPR和低OOBE,并通过GaBP算法与EM-PDA框架分别实现可靠通信与高精度感知,验证其作为6G ISAC波形的潜力。
2025-09-06 eess.SP
Non-iterative Filter Bank Phase (Re)Construction
Acoustics Research Institute, Austrian Academy of Sciences(奥地利科学院声学研究所)
从仅有幅度的测量中重构信号是信号处理中的一个长期存在的问题。在这方面的贡献,我们提出了一个相位(重建)的滤波器组的建设方法与均匀抽取和控制频率变化。建议的程序扩展了最近推出的相位梯度堆积分,并依赖于从高斯滤波器获得的滤波器组系数的相位-幅度关系。可容许滤波器组被建模为某些广义不变系统的离散化,我们推导出显式的相位-幅度关系。离散信号的实现进行了说明,并在一系列的真实和合成信号的算法的性能进行了评估。
2022-02-15 cs.MS cs.SD eess.AS
Learning Filter Bank Sparsifying Transforms
如果数据在被称为稀疏化变换的线性算子作用时变得稀疏,则称数据遵循变换(或分析)稀疏模型。已经设计了几种算法来直接从数据中学习这样的变换,并且数据自适应稀疏化变换在信号恢复任务中表现出优异的性能。稀疏化变换通常使用称为补丁的数据的小子区域来学习,但这些算法通常忽略相邻补丁之间共享的冗余信息。我们证明了许多现有的变换和分析稀疏表示可以被视为滤波器组,从而将基于补丁的模型的局部属性与卷积模型的全局属性联系起来。我们提出了一个新的变换学习框架,其中稀疏化变换是一个未抽取的完美重建滤波器组。与以前的变换学习算法不同,滤波器长度可以独立于滤波器组通道的数量来选择。数值结果表明,滤波器组稀疏化变换优于现有的基于块的变换学习的图像去噪,同时受益于额外的灵活性,在设计过程中。
2018-03-06 cs.LG eess.SP stat.ML
Optimized Sharing of Coefficients in Parallel Filter Banks
Bilkent University(比尔肯特大学);Meteksan Defense Inc.(梅特克桑防务公司)
滤波器是大多数信号处理应用中最基本和最重要的模块。在许多应用中,一组并行滤波器被用作滤波器组。并行滤波器组自然需要更多的计算。特别是在片上应用中,资源是有限的,并在许多算法之间共享。为此,提出了许多过滤器优化方案以减少过滤操作所需的资源数量。在这项工作中,提出了一种新的优化算法,以减少在一组并行滤波器的操作的数量。滤波器系数在两阶段过程中被分组,这使得能够在不同滤波器之间增加系数共享。该算法能够减少寄存器,查找表和DSP 48的数量高达50%的常规并行滤波器组,而不需要增加采样率。
2019-07-11 cs.SD eess.AS eess.IV
Bio-inspired Filter Banks for Frequency Recognition of SSVEP-based Brain-computer Interfaces
脑机接口(BCI)及其相关技术有可能塑造未来的通信、控制和安全形式。具体而言,稳态视觉诱发电位(SSVEP)为基础的脑机接口具有更好的识别准确性,和更高的信息传输速率(ITR)相比,其他BCI模式的优势。为了充分利用这些设备的能力,有必要了解SSVEP的基本生物学特征,并考虑其固有特性设计系统。本文介绍了生物启发滤波器组(BIFBs)的改进SSVEP频率识别。SSVEP是频率选择性的,受试者特异性的,并且随着视觉刺激频率的增加,它们的功率变弱。因此,滤波器的增益和带宽基于这些特性进行设计和调谐,同时还结合谐波SSVEP响应。在特征提取阶段利用BIFB来增加类的可分性。该方法不仅提高了识别精度,而且通过允许使用引起弱SSVEP响应的刺激频率来增加BCI系统中可用命令的总数。BIFB特别是在高频段中是有希望的,这导致较少的视觉疲劳。因此,所提出的方法也可以提高用户的舒适度。BIFB方法在两个在线基准数据集上进行了测试,并优于比较方法。结果显示了生物启发设计的潜力,并且将通过包括未来基于SSVEP的BCI的进一步SSVEP特征来扩展研究结果。
2019-11-01 eess.SP
Message Passing in Graph Convolution Networks via Adaptive Filter Banks
Shanghai Jiao Tong University(上海交通大学);EPFL(洛桑联邦理工学院)
图卷积网络,如消息传递图卷积网络(MPGCN),已经成为网络数据表示学习的强大工具。然而,当数据是异构的,大多数架构是有限的,因为他们采用单一的策略来处理多通道图形信号,他们通常专注于低频信息。在本文中,我们提出了一种新的图卷积运算符,称为BankGCN,它保持了消息传递模型的优点,但扩展了它们的功能超出了“低通”功能。它将图上的多通道信号分解成子空间,并利用自适应滤波器处理每个子空间中的特定信息。所有子空间的滤波器具有不同的频率响应,并且一起形成滤波器组。此外,频谱域中的每个滤波器对应于消息传递方案,并且经由滤波器组实现不同的方案。重要的是,滤波器组和信号分解是联合学习的,以适应数据的频谱特性和目标应用。此外,与大多数现有的MPGCN相比,这几乎在没有额外参数的情况下实现。实验结果表明,所提出的卷积运算允许实现良好的性能,在图分类的基准图数据集的集合。
2021-06-18 cs.AI cs.LG eess.SP
A Two-Dimensional FFT Precoded Filter Bank Scheme
提出了一种基于二维的【形】快速傅立叶变换的预编码滤波器组系统。它的结构类似于正交时频空间(OTFS)系统,其中OFDM发射机改为滤波器组多载波(FBMC),从而获得较低的带外发射。通过使用基于离散傅立叶变换的预编码来保证FBMC传输的复正交性,离散傅立叶变换也用于实现二维的【形】快速傅立叶变换。通过使用一个全球性的传输矩阵,我们提出了一个新的系统的混合接收机。首先,执行频域均衡,然后在延迟-多普勒域上执行干扰消除。仿真结果表明,该系统获得了类似于其他OTFS系统的错误性能,并优于其他预编码FBMC系统的性能。
2022-06-11 cs.IT eess.SP math.IT
Distortion-Aware Integrated Sensing and Communication with Affine Filter Bank Modulation
IMT Nord Europe, Institut Mines Télécom(欧洲矿业电信学院);Federal University of Technology - Paraná(巴拉那联邦技术大学);Constructor University(构造大学);Conservatoire National des Arts et Métiers - Paris(巴黎国立工艺博物馆)
该研究针对ISAC系统HPA非线性失真问题,分析了AFBM波形的鲁棒性,推导其AF统计特性,提出低复杂度接收机,仿真表明AFBM在非线性放大下仍兼具良好感知与通信性能。
2026-08-18 eess.SP
TFDWT: Fast Discrete Wavelet Transform TensorFlow Layers
TFDWT 是一个开源 Python 库,提供 TensorFlow 的快速离散小波变换(DWT)和逆变换(IDWT)层,支持端到端反向传播,便于在深度网络中构建多级滤波器组以实现空间频率表示。
2025-04-05 eess.SP
Learning Front-end Filter-bank Parameters using Convolutional Neural Networks for Abnormal Heart Sound Detection
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学);Robert Bosch Research and Technology Center(罗伯特·博世研究与技术中心)
自动心音异常检测可以在心脏病的早期诊断中发挥至关重要的作用,特别是在低资源环境中。该任务的最先进算法利用一组有限脉冲响应(FIR)带通滤波器作为前端,随后是卷积神经网络(CNN)模型。在这项工作中,我们提出了一种新的CNN架构,该架构使用时间卷积(tConv)层将前端带通滤波器集成在网络中,从而使FIR滤波器组参数变得可学习。不同的初始化策略的可学习的过滤器,包括随机参数和一组预定义的FIR滤波器组系数,检查。使用所提出的tConv层,我们添加约束的可学习FIR滤波器,以确保线性和零相位响应。对使用PhysioNet/CinC 2016数据集准备的平衡4重交叉验证任务进行实验评价。结果表明,所提出的模型产生优越的性能相比,国家的最先进的系统,而线性相位FIR滤波器组的方法提供了一个绝对的改善9.54%的基线方面的整体精度指标。
2018-06-15 cs.CV cs.LG eess.SP
Packet Detection in a Filter Bank-Based Ultra-Wideband Communication System
University of Utah(犹他大学)
本文提出基于滤波器组的超宽带通信系统包检测器,通过Rao分数检验和级联通道化器设计,实现高效检测并适应不同采样率需求。
2025-12-18 eess.SP
Low Complexity Reconfigurable Modified FRM Architecture with Full Spectral Utilization for Efficient Channelizers
提出了一种低复杂度、可重构、窄过渡带滤波器组的设计方法。在我们提出的改进的频率响应掩蔽(ModFRM)架构,在传统的FRM方法的模式滤波器和互补滤波器被取代的功率互补和线性相位FB。此外,提出了一种新的掩蔽策略,通过该策略可以通过交替掩蔽偶数通道和奇数通道来设计M通道FB。通过使用这种掩蔽策略,仅需要通过两个掩蔽滤波器交替地掩蔽偶数信道和奇数信道,同时在[0,2 $π$ ]中出现的多个频谱副本上调制它们以生成均匀的ModFRM FB。此外,滤波器组的可重构性可以通过适当地调整插值值来实现,以获得更多的掩蔽响应。为了降低整体实现的复杂性,掩蔽滤波器使用插值FIR(IFIR)技术进行优化。结果表明,所提出的方法需要更少的乘法器相比,现有的文献中的可重构FB。最后,通过组合附近的通道,从均匀FB生成非均匀FB。所提出的非均匀ModFRM FB用于在软件定义无线电(SDR)信道化器中提取不同的通信标准。当要提取更多信道时,与其他基于滤波器组的SDR信道化器相比,所提出的方案能够实现降低的硬件复杂度。
2020-07-17 eess.SP
FBDNN: Filter Banks and Deep Neural Networks for Portable and Fast Brain-Computer Interfaces
School of Electrical and Computer Engineering(电气与计算机工程学院)
目的:提出使用深度神经网络(DNN)的新型SSVEP分类方法,并提高具有小数据长度的单通道和用户独立脑机接口(BCI)的性能。方法:我们建议结合DNN使用滤波器组(创建EEG信号的子带分量)。在这种情况下,我们创建了三种不同的模型:分析时域的递归神经网络(FBRNN),处理复杂频谱特征的2D卷积神经网络(FBCNN-2D)和分析复杂频谱图的3D卷积神经网络(FBCNN-3D),我们在本研究中引入这些模型作为SSVEP分类的可能输入。我们在三个开放数据集上测试了我们的神经网络,并设想了它们,以便不需要最终用户的校准,模拟用户独立的BCI。结果如下:具有滤波器组的DNN在没有此预处理步骤的情况下超过了类似网络的准确性,并且它们在更高的范围内优于常见的SSVEP分类方法(SVM和FBCCA)。结论和意义:滤波器组允许不同类型的深度神经网络更有效地分析SSVEP的谐波分量。复频谱图比复频谱特征和幅度谱携带更多的信息,使FBCNN-3D超越了其他CNN。在具有挑战性的分类问题中获得的性能表明了构建便携式,经济,快速和低延迟BCI的强大潜力。
2022-03-30 cs.AI cs.LG eess.SP
An Implementation of a Channelizer based on a Goertzel Filter Bank for the Read-Out of Cryogenic Sensors
本文提出基于Goertzel滤波器组的信道化器,用于低温传感器频域复用读出,在FPGA上资源高效实现,支持大规模传感器读取,适用于CMB巡天、中微子探测和量子计算。
2023-03-02 astro-ph.IM eess.SP
Interference Analysis of QAM based Filter Bank Multicarrier System with Index Modulation
指数调制(IM)最近已经成为用于频谱和能量高效的下一代无线通信系统的有前途的概念,因为它在错误性能、复杂度和频谱效率之间取得了良好的平衡。IM技术,当应用于多载波波形时,产生不仅通过如在常规多载波系统中的M元信号星座图而且通过根据输入比特流激活的子载波的索引来传送信息的能力。虽然IM是基于OFDM系统的研究,FBMC与索引调制尚未得到彻底的研究。在本文中,我们阐明了潜在的和实施的IM技术的QAM为基础的FBMC系统。我们从基于IM的QAM-FBMC系统(FBMC/QAM-IM)的数学模型开始,以及由于信道失真和噪声而在接收器处的干扰项的推导。从均方误差和输出信干噪比的角度分析了包括多径信道引入的干扰项。分析和仿真结果表明,与传统的FBMC/QAM系统相比,FBMC/QAM-IM中的干扰功率较小,因为一些子载波是不活动的。通过与传统FBMC/QAM系统的SIR和输出SINR以及BER性能的比较,研究了FBMC/QAM与IM的性能,表明FBMC/QAM-IM是未来无线网络中一种很有前途的传输技术。
2018-04-17 eess.SP
Low-latency Monaural Speech Enhancement with Deep Filter-bank Equalizer
University of Chinese Academy of Sciences(中国科学院大学);Institute of Acoustics, Chinese Academy of Sciences(中国科学院声学研究所)
对于诸如数字助听器、透声听力设备和公共广播系统的许多应用,高度期望语音增强算法能够实现良好的性能,同时保持低延迟。为了提高传统低时延语音增强算法的性能,提出了一种深度滤波器组均衡器(FBE)框架,该框架集成了基于深度学习的子带降噪网络和基于深度学习的缩短数字滤波器映射网络。在第一个网络中,使用可控的小帧移位来训练深度学习模型,以满足低延迟需求,即,$\le$ 4 ms,以便获得(复数)子带增益,其可以被视为每帧中的自适应数字滤波器。在第二个网络中,为了减少延迟,这种自适应数字滤波器通过基于深度学习的框架隐式缩短,然后应用于含噪语音,以重建增强的语音,而不使用叠加方法。在WSJ 0-SI 84语料库上的实验结果表明,该算法在PESQ、STOI和降噪量等指标上均优于传统的低延迟语音增强算法,且延迟仅为4 ms.
2022-02-14 cs.SD eess.AS eess.SP
Signal-based online acceleration and strain data fusion using B-splines and Kalman filter for full-field dynamic displacement estimation
Rice University(莱斯大学);Indian Institute of Technology Kanpur(坎普尔印度理工学院)
针对动态载荷下结构位移直接测量受限的问题,提出一种基于B样条和卡尔曼滤波器的数据融合算法,仅需系统基本信息即可在线估计全场位移,经数值与实验验证,重建位移与有限元模型响应匹配良好。
2024-11-28 eess.SP physics.comp-ph
An Interference-Free Filter-Bank Multicarrier System Applicable for MIMO Channels
在滤波器组多载波(FBMC)系统中,固有干扰是在多输入多输出(MIMO)信道上实现分集增益的主要挑战。在本文中,我们开发了一种新的多载波系统称为FBMC偏移上下多相网络(FBMC/OULP),其中,为了消除固有的干扰,复值符号交替地通过上半部分和下半部分的多相网络分支与偏移时间传输。FBMC/OULP系统的符号密度等于时频网格中的一个复值符号。此外,对于在频率选择性信道上的传输,在FBMC/OULP系统的接收机处采用最小均方误差(MMSE)估计器以消除由信道的频率选择性引起的干扰。所提出的方案减轻了在上多相分支和下多相分支中的符号之间产生的干扰,基于循环卷积属性。正交空时分组码(OSTBC)在MIMO信道中使用复值符号并减小干扰,通过低复值的最大似然(ML)检测器可以获得全分集增益。仿真结果表明,与正交频分复用(OFDM)系统相比,该系统在快多径衰落信道下具有更好的性能,在慢多径衰落信道下具有竞争力的性能。
2020-06-06 cs.SY eess.SP eess.SY
Convolutional Filtering in Simplicial Complexes
Delft University of Technology(代尔夫特理工大学)
本文提出了卷积滤波的数据,其结构可以由单纯复形(SC)建模。SC是一种数学工具,它不仅可以将成对关系捕捉为图形,还可以解释高阶网络结构。这些滤波器是通过遵循卷积运算的移位和求和原理来构建的,并依赖于Hodge-Laplacian在单纯形内移位信号。但是,由于在SC中,我们也有单形间耦合,我们使用的关联矩阵转移信号在相邻的单形,并建立一个滤波器组,联合过滤来自不同级别的信号。我们证明了一些有趣的性质,建议的滤波器组,包括置换和方向等方差,计算复杂性是线性的SC尺寸,和频谱解释使用的简单傅里叶变换。我们说明了所提出的方法与数值实验。
2022-12-16 cs.LG eess.SP