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
Graph Signal Processing: History, Development, Impact, and Outlook
本文综述图信号处理(GSP)从起源到未来的发展,强调其作为非欧几里得域信号处理框架的重要性,并探讨其在数据科学、神经科学及图像视频处理等领域的影响与前景。
2023-03-21 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 for Infrastructure Resilience: Suitability and Future Directions
图形信号处理(GSP)是一个新兴的领域,用于分析定义在不规则空间结构上的信号。鉴于大量的文献关于基础设施网络的弹性使用图论,这是不足为奇的GSP的一些应用可以在弹性域中找到。GSP技术假定图形傅里叶变换(GFT)的选择赋予感兴趣的信号特定的频谱结构。我们评估了一些配电系统的信号结构的指标,并确定了几个相关的系统属性,并进一步展示了这些指标与性能的一些GSP技术。我们还讨论了数据驱动的方法,提高这些指标的可行性,并将其应用到水分配方案。总的来说,我们发现,许多候选系统分析是正确的结构在所选择的GFT的基础上,并服从GSP技术,但确定相当大的变化和细微差别,值得未来的调查。
2020-07-21 eess.SP
Half-Quadratic Criterion based Adaptive Graph Signal Processing Algorithm
Key Laboratory of Magnetic Suspension Technology and Maglev Vehicle, Ministry of Education(磁悬浮技术与磁浮车辆教育部重点实验室);School of Electrical Engineering, Southwest Jiaotong University(西南交通大学电气工程学院)
针对图信号处理中非高斯噪声干扰及参数手动调节复杂的问题,提出基于强凸半二次准则的GSP HQC算法,提高了收敛速度和自适应估计精度。
2026-05-26 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
Graph Signal Processing: Modulation, Convolution, and Sampling
为了分析由任意图G支持的数据,通过重新定义传统的DSP概念,如移位、滤波和傅里叶变换等,DSP已经被扩展到图信号处理(GSP)。本文回顾了调制,卷积和采样的图形信号作为相应的DSP概念的适当的自然扩展。为了定义这些顶点和图形频域,我们与通用数据图G和它的图形移位A,图形谱移位M和谱图Gs相关联。这导致了一个频谱GSP理论,在图形频率域中的现有的GSP理论在顶点域中的平行。本文适用于设计和恢复采样技术的数据支持的任意有向图。
2019-12-14 eess.SP
Understanding Concepts in Graph Signal Processing for Neurophysiological Signal Analysis
本章梳理图信号处理核心概念,并通过仿真与基线测试考察图频率在神经生理数据分类中的作用,发现低频分量分类能力较弱且GSP可能削弱频谱特征。
2025-01-09 eess.SP
Transient Error Analysis of the LMS and RLS Algorithm for Graph Signal Estimation
本文通过公式推导与数学归纳法,对图信号处理中的GSP LMS和GSP RLS算法进行了暂态误差分析,推导出暂态误差表达式,并基于巴西温度数据集的仿真实验验证了理论分析的正确性。
2025-05-31 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
Graph Signal Processing over a Probability Space of Shift Operators
图形信号处理(GSP)使用移位算子来定义图形信号集合的傅立叶基。通常选择移位运算符来捕获图的拓扑。然而,在许多应用中,图的拓扑结构可能是未知的先验,其结构不确定,或从预定义的集合中随机生成的每个观察。每一个图的拓扑结构产生一个不同的移位算子。在本文中,我们开发了一个GSP框架上的概率空间的移位算子。我们开发了相应的概念,傅里叶变换,MFC滤波器,带通滤波器,其中包含经典的GSP理论作为特殊情况下,概率空间由一个单一的移位运算符。我们表明,在这个框架下的MFC滤波器是在经典的GSP随机卷积滤波器的期望,而bandlimitedness的概念需要额外的回旋余地,从简单的带通滤波器的一个固定点。我们开发了一种机制,便于从一个空间的移位运算符映射到另一个,这使得我们的框架被应用到一组丰富的场景。我们演示了如何使用合成和真实的数据集的理论可以应用。
2023-03-29 eess.SP
Robust Network Topology Inference and Processing of Graph Signals
本论文针对图信号处理中信号与图拓扑的扰动问题,提出鲁棒GSP范式,设计算法以减轻扰动对基本任务的破坏性影响。
2023-12-21 eess.SP
Verifying the Smoothness of Graph Signals: A Graph Signal Processing Approach
针对图信号平滑性假设难以检验的问题,本文将网络数据建模为图滤波器输出,提出已知参数的LRT与半参数检测器,并通过合成及真实网络数据验证其有效性与鲁棒性。
2024-04-15 eess.SP
Wide-Sense Stationarity in Generalized Graph Signal Processing
我们认为统计图信号处理(GSP)在一个广义的框架中,图的每个顶点与希尔伯特空间的元素相关联。这个通用模型包括各种信号,如传统的标量值图信号,多通道图信号,离散和连续时间图信号,使我们能够建立一个统一的理论图随机过程。我们引入了广义GSP框架中的联合广义平稳性的概念,它使我们能够将图形随机过程描述为顶点和Hilbert空间域上不相关振荡模式的组合。我们阐明了广义平稳性在不同领域的概念之间的关系,并在此框架下推导出维纳滤波器的去噪和信号完成。真实和合成数据集上的数值实验表明,我们的广义方法在实现更好的估计性能相比,传统的GSP或时间顶点框架的实用程序。
2022-09-08 eess.SP
Complex Graph Laplacian Regularizer for Inferencing Grid States
提出基于图信号处理的复数图拉普拉斯正则化算法,从少量PMU观测数据线性时间插值电网状态,无需电网结构参数,在IEEE 118节点系统验证高效准确。
2023-12-22 eess.SP
Graph Spectral Image Processing
图形信号处理(GSP)的最近出现已经刺激了对自然存在于由图形描述的不规则数据核上的信号的深入研究(例如,社交网络、无线传感器网络)。虽然数字图像包含驻留在规则采样的2D网格上的像素,但是如果可以设计将像素与反映图像结构的权重连接的适当的底层图,则可以将图像(或图像块)解释为图上的信号,并且应用GSP工具来处理和分析图频谱域中的信号。在这篇文章中,我们概述了最近的图形频谱技术在GSP专门用于图像/视频处理。所涉及的主题包括图像压缩,图像恢复,图像滤波和图像分割。
2018-01-16 eess.IV eess.SP
State Estimation in Unobservable Power Systems via Graph Signal Processing Tools
研究了不可观测电力系统的状态估计问题。为此,我们提出了新的图形信号处理(GSP)的方法。为了简单起见,我们从分析直流潮流(DC-PF)模型,然后将我们的算法扩展到交流潮流(AC-PF)模型。所提出的GSP方法背后的主要假设是,电网状态,其中包括在系统中的电压的相位的矢量和幅度的矢量,是一个平滑的图形信号相对于系统导纳矩阵,表示底层图形。因此,本文的第一步是从经验和理论上验证状态的图平滑假设。然后,我们开发了正则化的GSP加权最小二乘(GSP-WLS)状态估计器,它不需要网络的可观性。我们提出了一个传感器的放置策略,旨在优化GSP-WLS估计器的估计性能。最后,我们将GSP-WLS估计方法扩展到AC-PF模型,通过在高斯-牛顿算法中引入光滑正则项。IEEE 118节点系统的数值结果表明,新的GSP方法优于常用的估计方法,并对丢失数据具有鲁棒性。
2022-01-12 cs.SY eess.SP eess.SY
Signal Processing over Time-Varying Graphs: A Systematic Review
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
本文综述了时间变化图上信号处理和学习的发展,比较了不同方法的优缺点,指出了未来研究方向。
2026-03-11 eess.SP
Multi-way Graph Signal Processing on Tensors: Integrative analysis of irregular geometries
Yale University(耶鲁大学);NC State University(北卡罗来纳州立大学);Halıcıoğlu Data Science Institute, UC San Diego(加州大学圣地亚哥分校Halıcıoğlu数据科学研究所)
图形信号处理(GSP)是研究不规则结构上数据的重要方法。随着采集的数据越来越多地采用多路张量的形式,需要新的信号处理工具来最大限度地利用数据内的多路结构。在本文中,我们回顾了现代信号处理框架推广GSP多路数据,从图形信号耦合到熟悉的定期轴,如传感器网络中的时间,然后扩展到所有张量模式的一般图形。这种广泛适用的范式促使人们重新制定和改进经典问题和方法,以创造性地解决基于张量的数据中的挑战。我们综合目前的努力,将GSP与张量分析相结合所产生的共同主题,并强调未来的发展方向,将GSP扩展到多路范式。
2020-07-27 cs.LG eess.SP stat.ML
Graphon Signal Processing for Spiking and Biological Neural Networks
Hotchkiss Brain Institute, Cumming School of Medicine, University of Calgary(卡尔加里大学康明医学院霍特基斯大脑研究所);Department of Mathematics, Drexel University(德雷塞尔大学数学系)
本文提出利用图音信号处理框架解决计算和生物神经网络中的刺激识别问题,通过图音谱投影获得稳定的低维嵌入,提升刺激分类性能。
2025-11-26 eess.SP
Graph Signal Processing of Indefinite and Complex Graphs using Directed Variation
在图信号处理(GSP)领域,有向图由于其非对称性,对GSP的“标准方法”提出了特殊的挑战。负权重有向边或复权重有向边(一种用于神经科学、关键基础设施和机器人协调等领域的图形结构)的存在使问题进一步复杂化。最近的研究结果将图形信号的总变分推广为定向变分,作为开发图形傅里叶变换(GFT)的激励原理。在这里,我们将这些技术扩展到适合不确定和复值图的信号变化的概念,并使用它们来定义这些类的图形的GFT。随机图上的模拟结果,以及果蝇连接体的一部分的案例研究。
2020-03-02 eess.SP
Hyperspectral Image Segmentation based on Graph Processing over Multilayer Networks
University of California, Davis(加州大学戴维斯分校)
高光谱成像是一种重要的传感技术,在环境科学、气象和地球/空间探索等领域具有广泛的应用和影响。高光谱图像处理的一个重要任务是光谱-空间特征的提取。本文利用最近发展起来的多层网络上的图形信号处理(M-GSP),提出了几种基于M-GSP特征提取的HSI分割方法。为了获取联合频谱空间信息,我们首先定制了一个基于张量的多层网络(MLN)模型HSI,并定义了一个MLN奇异空间的特征提取。然后,我们开发了一个无监督的HSI分割方法,利用MLN谱聚类。通过基于MLN的聚类对HSI像素进行重新分组,我们进一步提出了一种基于超像素多分辨率融合的半监督HSI分类。我们的实验结果证明了M-GSP在HSI处理和频谱-空间信息抽取方面的优势。
2021-11-29 cs.CV eess.SP
Bayesian Estimation of Graph Signals
我们考虑从非线性测量中恢复随机图信号的问题。在这种情况下,封闭形式的贝叶斯估计通常是棘手的,甚至这些估计的数值评估可能很难计算大型网络。在本文中,我们提出了一个图形信号处理(GSP)的框架,利用数据背后的结构信息的随机图形信号恢复。首先,我们开发的GSP线性最小均方误差(GSP-LMMSE)估计,最小化的均方误差(MSE)之间的估计表示为一个图形滤波器的输出。GSP-LMMSE估计器基于图频域中的对角协方差矩阵,因此与LMMSE估计器相比具有降低的复杂度。当使用基于训练数据集的这些估计量的样本均值版本时,此属性尤其重要。然后,我们的状态下,低复杂度的GSP-LMMSE估计符合最佳LMMSE估计的条件。接下来,我们通过解决加权最小二乘(WLS)问题,通过移位不变图滤波器来开发GSP-LMMSE估计器的近似参数化。我们提出了三种实现的参数GSP-LMMSE估计典型的图形滤波器。参数图过滤器对离群值和网络拓扑变化更鲁棒。在我们的仿真中,我们评估的性能,建议的GSP-LMMSE估计状态估计的问题,在电力系统,这可以被解释为一个图形信号恢复任务。我们表明,所提出的样本GSP估计优于样本LMMSE估计有限的训练数据集和参数GSP-LMMSE估计更强大的拓扑结构的变化,在添加/删除顶点/边缘的形式。
2022-06-22 eess.SP
Graph-based Matched Field Localization for an Underwater Source
匹配场处理(MFP)通过将接收数据与副本向量进行匹配来定位水下源,可以看作是一种广义波束形成器。本文将MFP方法与近年来发展起来的图形信号处理(GSP)方法相结合。该方法遵循GSP的基本思想,基于格林函数对任意分布的传感器构造空间邻接矩阵,然后利用图傅里叶变换进行定位。仿真结果表明,基于图的MFP优于传统的MFP处理器-巴特利特处理器和最小方差处理器-其良好的精度和鲁棒性。
2022-01-10 eess.SP
From Nodes to Edges: Edge-Based Laplacians for Brain Signal Processing
Northeastern University London(伦敦东北大学);Northeastern University(东北大学)
本文提出基于边的图信号处理方法,用于分析大脑网络中边信号,以提高任务解码准确性,揭示大脑功能组织的独特特性。
2025-12-15 eess.SP physics.soc-ph
Graph Diffusion-Advection Operator for Directed Graph Signal Processing
Ecole polytechnique fédérale de Lausanne(洛桑联邦理工学院);University of Geneva(日内瓦大学)
本文通过建立有向图拉普拉斯算子与扩散-平流算子的对应关系,提出基于特征值模和幅角的频率排序及平滑度定义,并设计扩散和平流核及组合滤波器,用于有向图信号处理。
2026-06-16 eess.SP
Graph signal processing for machine learning: A review and new perspectives
大规模结构化数据的有效表示、处理、分析和可视化,特别是涉及网络和图形等复杂领域的数据,是现代机器学习的关键问题之一。图形信号处理(GSP)是信号处理模型和算法的一个充满活力的分支,旨在处理图形上支持的数据,为解决这一挑战开辟了新的研究途径。在这篇文章中,我们回顾了GSP概念和工具,如图过滤器和变换,新的机器学习算法的发展作出的一些重要贡献。特别是,我们的讨论集中在以下三个方面:利用数据结构和关系先验,提高数据和计算效率,提高模型的可解释性。此外,我们提供了新的前景,未来发展的GSP技术,可以作为一个桥梁之间的应用数学和信号处理的一方,机器学习和网络科学的其他。这些不同学科之间的交叉可能有助于解开现代复杂数据分析的众多挑战。
2020-07-31 cs.LG cs.SI eess.SP
Reconstruction of Time-varying Graph Signals via Sobolev Smoothness
图形信号处理(GSP)是一个新兴的研究领域,它将数字信号处理的概念扩展到图形。GSP在传感器网络、机器学习和图像处理等不同领域有着广泛的应用。静态图形信号的采集与重构在GSP中占有核心地位。然而,许多真实世界的图形信号本质上是时变的,并且这种图形信号的时间差的平滑度可以用作先验假设。在目前的工作中,我们假设图信号的时间差是平滑的,我们引入了一种新的算法的基础上扩展的Sobolev平滑函数的重建时变图信号从离散样本。我们通过研究与我们的优化问题相关的Hessian条件数,探索了我们的时变图信号重建通过Sobolev平滑(GraphTRSS)算法的收敛速度的一些理论方面。我们的算法的优点是收敛速度比其他方法,是基于拉普拉斯算子,而不需要昂贵的特征值分解或矩阵求逆。在包括两个COVID-19数据集在内的多个数据集上对所提出的GraphTRSS进行了评估,并且它在时变图形信号重建方面优于许多现有的最先进方法。GraphTRSS还在两个环境数据集上表现出出色的性能,用于恢复颗粒物和海面温度信号。
2022-07-13 eess.SP
Topological Signal Processing and Learning: Recent Advances and Future Challenges
本文综述拓扑信号处理与学习,以 Hodge 理论为核心,介绍表示、滤波、采样、拓扑推断和时空处理进展,并展示其跨领域应用。
2025-02-14 eess.SP
GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出GSP-KalmanNet,将图信号处理与深度学习结合,通过图频域滤波和可学习卡尔曼增益实现高维图信号跟踪,在精度、速度及模型失配鲁棒性上优于现有基准。
2023-11-28 cs.AI cs.LG eess.SP
Optimal Sensor Placement via Graph-constrained Flow Matching
Nanyang Technological University(南洋理工大学)
研究图信号处理中最优传感器放置问题,提出将其转化为连续空间生成建模问题,利用离线训练样本让流匹配模型学习分布以直接生成连续传感器坐标,开发相关框架,实验验证了该框架在传感器放置上的有效性。
2026-07-23 eess.SP
Adaptive Graph Normalized Sign Algorithm
针对脉冲噪声和缺失数据下的图信号预测问题,本文提出图归一化符号(GNS)自适应算法,通过在更新中引入归一化项实现更快收敛和更低误差,并在多变量温度在线预测中验证了其快速鲁棒性。
2024-05-07 eess.SP
Connecting the Dots: Identifying Network Structure via Graph Signal Processing
网络拓扑推理是网络科学中的一个突出问题。迄今为止,大多数图形信号处理(GSP)工作都假设底层网络是已知的,然后分析图形的代数和频谱特性如何影响感兴趣的图形信号的属性。这种假设在处理例如以下问题的应用之外通常是站不住脚的,可直接观察的社会和基础设施网络;并且通常采用的图构造方案在很大程度上是非正式的,明显缺乏验证元素。本教程概述了为弥合上述差距而开发的图学习方法,方法是使用图信号中的可用信息来推断底层图拓扑。首先对相当成熟的统计方法进行了调查,其中相关性分析及其与协方差选择和高维回归的联系占据了中心舞台,用于学习高斯图形模型。最近的基于GSP的网络推理框架也进行了描述,它假设网络作为潜在的底层结构存在,并且观察结果是由于在这样的图中定义的网络过程而生成的。一些可以说是更新生的主题也简要概述,包括动态网络的推理,成对相互作用的非线性模型,以及扩展到有向图及其因果推理的关系。总而言之,本文向读者介绍了信号处理研究的挑战和机遇,在新兴的主题领域的建模,预测和控制的复杂行为,随着时间的推移,在网络系统中出现的十字路口。
2018-10-31 eess.SP
Quaternion LMS for Graph Signal Recovery
Qom University of Technology (QUT)(库姆理工大学)
本文将图信号恢复问题推广到四元数域,提出QGLMS算法,推导自适应公式并分析收敛性,给出步长充分条件,仿真验证了其重构有效性。
2025-09-23 eess.SP
Graph Signal Processing and Deep Learning: Convolution, Pooling, and Topology
深度学习,特别是卷积神经网络(CNN),在计算机视觉和相关领域取得了快速,显著的进步。但是,当数据具有底层图形结构时,传统的深度学习架构表现不佳,例如在社会,生物和许多其他领域。本文探讨了1)如何使用图信号处理(GSP)将CNN组件扩展到图以提高模型性能;以及2)如何基于数据图的拓扑或结构来设计图CNN架构。
2020-08-04 eess.SP
Enhanced motor imagery-based EEG classification using a discriminative graph Fourier subspace
图像信号处理是处理不规则区域的一种方法,在脑图像分析中得到了广泛的关注。运动想象任务被广泛用于脑-机接口(BCI)系统中,该系统使用从脑电信号中提取的特征来执行分类。本文提出了一种基于一般特征处理的两类运动想象任务分类方法。所提出的方法利用两个矩阵的同时对角化,量化来自每个类的数据的图谱表示的协方差结构,提供一个判别子空间,从数据中提取独特的功能。在BCI竞赛III的数据集IVa上评估了所提出方法的性能。实验结果表明,该方法优于两个国家的最先进的替代方法。
2022-01-23 eess.SP
On Detecting Low-pass Graph Signals under Partial Observations
针对部分观测图信号的低通特性检测需求,提出无需图拓扑信息的盲检测器,可预筛选信号提升现有GSP算法鲁棒性,给出样本复杂度界并通过实验验证有效性。
2024-05-16 eess.SP
Graph Chirp Signal and Graph Fractional Vertex-Frequency Energy Distribution
该研究首次正式定义图线性调频信号,构建其分析理论框架,提出图分数阶顶点-频率能量分布及相关分布、检测方法,在噪声环境信号检测与真实数据降噪上表现更优。
2025-07-31 eess.SP
Detection of false data injection attacks in smart grids based on graph signal processing
智能电网将传统的电力系统与信息技术相结合,形成一个信息物理系统。在这样的环境中,恶意注入数据有可能导致严重的后果。经典的基于残差的不良数据检测方法无法检测精心设计的虚假数据注入(FDI)攻击。此外,大多数FDI攻击检测工作是基于电力系统的线性化直流模型,而不能检测基于交流模型的攻击。本文的目的是解决这些问题,通过使用电网的图形结构和交流潮流模型。我们推导出一种攻击检测方法,能够检测到以前无法检测到的FDI攻击。该方法基于源自图形信号处理(GSP)的概念。所提出的检测方案计算估计的电网状态的图形傅里叶变换,并过滤图形的高频分量。通过将此结果的最大范数与阈值进行比较,我们可以检测到FDI攻击的存在。IEEE 14节点系统的案例研究表明,所提出的方法是能够检测到广泛的以前无法检测到的攻击,无论是角度和电压的幅度。
2019-08-23 eess.SP
SVD-Based Graph Fractional Fourier Transform on Directed Graphs and Its Application
Nanchang University(南昌大学)
本文提出两种基于奇异值分解的二维图分数傅里叶变换,用于处理有向产品图上的多维信号,并探讨其去噪能力,建立了多维图信号处理的分数域分析框架。
2026-06-29 eess.SP
Optimal Fractional Fourier Filtering in Time-vertex Graphs signal processing
图形信号处理是处理非规则域数据的有效工具。最优图滤波器能够从失真和噪声中恢复出原始信号,是广义高斯过程中的关键技术之一。然而,目前的研究大多集中在静态图形信号和普通的空间/时间或频率域。时变图形信号具有很强的捕捉真实世界数据特征的能力,而分数阶域可以为信号和噪声的分离提供更合适的空间。在本文中,最佳的时间顶点图滤波器及其Wiener-Hopf方程,开发使用的产品图框架。利用图的分数拉普拉斯算子和图的分数傅里叶变换,得到了分数域上的最优时间-顶点图滤波器。在真实世界数据集上的数值模拟将证明分数域中的最优时间-顶点图滤波器优于普通域中的最优时间-顶点图滤波器和分数域中的最优静态图滤波器。
2022-01-12 eess.SP math.SP
Topological Signal Processing over Generalized Cell Complexes
该研究将拓扑信号处理扩展至广义胞复形以突破单纯复形包含性限制,提出结构推断与分布式滤波方法,在多应用中实现了更优的复杂度-准确性权衡。
2023-10-08 eess.SP
A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals
Department of Electrical and Computer Engineering, University of Toronto(多伦多大学电气与计算机工程系,多伦多大学(University of Toronto))
受图信号处理(GSP)这一新兴领域的启发,我们提出了一种从时空信号中提取推理的新方法。在传感器网络中,随着时间在不同位置进行数据采集是常见的,用于从无线网络中的对象跟踪到诸如脑电图(EEG)信号处理的医疗用途的各种应用。在本文中,我们利用GSP的新技术,开发一个分层的特征提取方法,将数据映射到一系列的时空图。这种模型将信号映射到图的顶点上,信号之间的时空依赖性由边权重来建模。从不同位置和时间采集的信号分量通常具有复杂的函数依赖性。因此,它们对应的图权重从数据中学习并以两种方式使用。首先,它们被用作与图的拓扑结构相关的嵌入的一部分,例如密度。其次,它们提供了基础图的连通性,用于提取更高级别的基于GSP的特征。后者包括信号在不同频段的图形傅里叶变换的能量。我们在Kaggle癫痫发作检测竞赛的颅内EEG(iEEG)数据集上测试了我们的方法。与获奖代码相比,结果显示出轻微的净改进,每个主题分析的改进高达6%,而功能的数量平均减少了75%。
2020-10-25 cs.LG eess.SP stat.AP
Online Discriminative Graph Learning from Multi-Class Smooth Signals
图形信号处理(GSP)是满足网络信息处理需求的重要工具。然而,GSP在下游学习和推理任务中的成功在很大程度上取决于关系结构的先验识别。图是复杂环境中实体之间关系的自然描述符。在许多情况下,底层图形不容易检测到,并且必须从观察到的信号推断拓扑结构。首先,我们提出了一个新的判别图学习框架,解决了图信号分类的问题。为了学习判别图,我们调用这样的假设,即属于每个类的信号相对于对应的图是平滑的,同时相对于与其他类对应的图保持非平滑。其次,我们扩展我们的工作,以应对日益动态的环境和实时拓扑推理。我们开发了一个近端梯度(PG)的方法,可以适应的情况下,数据采集的飞行。除了区分之外,这是第一个解决从平滑信号中学习动态图的问题的工作,其中所寻求的网络变化缓慢。使用合成数据和真实数据全面研究了所提出框架的验证。
2021-03-26 eess.SP
Graph Normalized-LMP Algorithm for Signal Estimation Under Impulsive Noise
Tsinghua-Berkeley Shenzhen Institute, Tsinghua University(清华大学清华-伯克利深圳学院);Tsinghua University(清华大学)
在本文中,我们介绍了一种自适应图归一化最小平均p次幂(GNLMP)算法的图形信号处理(GSP),利用GSP技术,包括带限滤波和节点采样,估计采样图形信号在脉冲噪声。与基于最小二乘的自适应GSP最小均方(GLMS)算法和归一化GLMS(GNLMS)算法不同,GNLMP算法具有重构图像信号的能力,该图像信号被具有重尾特征的非高斯噪声所破坏。与最近引入的自适应GSP最小平均p次幂(GLMP)算法相比,GNLMP算法减少了收敛到稳定图形信号的迭代次数。推导了GNLMP算法的收敛条件,证明了GNLMP算法处理多维时变多特征图形信号的能力。仿真结果表明,GNLMP算法对稳态和时变图形信号的估计速度比GLMP算法快,鲁棒性比GLMS和GNLMS算法好。
2022-03-01 cs.LG eess.SP
On Local Distributions in Graph Signal Processing
图滤波是图信号处理(GSP)的基础运算。因此,理解它是开发有效的普惠制方法的关键。图过滤器是局部和分布式线性操作,其输出仅取决于每个节点的局部邻域。此外,图过滤器的输出可以在每个节点上通过与直接邻居进行重复交换来单独计算。图过滤器可以被压缩地写为图移位算子的多项式(通常,图的稀疏矩阵描述)。这导致了滤波器的属性与相应矩阵的频谱属性的关联-它编码了图的全局结构。在这项工作中,我们提出了一个框架,仅依赖于一个图的邻域的局部分布。这种方法的关键是描述图形和图形信号的可测量空间的根球。利用这一点,我们能够无缝地比较不同大小和来自不同模型的图,产生关于谱密度收敛、滤波器在任意图上的可转移性以及图信号特性相对于局部子结构分布的连续性的结果。
2022-02-22 cs.SI eess.SP
To further understand graph signals
图信号处理(GSP)是一个分析和处理图结构数据的框架。许多研究工作集中在开发工具,如图傅里叶变换(GFT),滤波器和神经网络模型来处理图形信号。这种方法在许多情况下成功地处理了“信号处理”。在本文中,我们想把重点放在“图形信号”本身。虽然有图形信号的特征使用的概念,带宽来自GFT,我们想在这里说,图形信号可能包含隐藏的几何信息的网络,独立于(图形)傅立叶理论。我们将提供一个框架来理解这样的信息,并演示“图形信号”的新知识如何有助于"信号处理“。
2023-03-10 eess.SP
Introducing Hypergraph Signal Processing: Theoretical Foundation and Practical Applications
图上的信号处理在处理结构化数据方面引起了广泛的关注。然而,正常图仅对节点之间的成对关系进行建模,并且不能有效地表示和捕获数据样本的一些高阶关系,这在诸如物联网(IoT)的许多应用中是常见的。在这项工作中,我们提出了一个新的超图信号处理(HGSP)的张量表示的基础上推广传统的图信号处理(GSP),以解决高阶相互作用的框架。我们介绍了HGSP的核心概念,定义了超图傅立叶空间。然后,我们研究了超图傅里叶变换的频谱特性,并解释了它与主流数字信号处理的联系。我们推导了超图采样理论,并提出了基于张量框架的超图滤波器设计的基本原理。我们提出了几个信号处理和数据分析应用的HGSP为基础的方法。我们的实验结果表明,显着的性能改善,使用我们的HGSP框架在一些传统的信号处理解决方案。
2020-06-04 eess.SP
Graph Distribution-valued Signals: A Wasserstein Space Perspective
Nanyang Technological University(南洋理工大学);Technical University of Munich(慕尼黑工业大学)
本文提出一种新的图信号处理框架,将信号建模为图分布值信号,通过瓦瑟斯坦空间中的概率分布解决传统向量基方法的局限性,包括同步观测假设、无法捕捉不确定性以及图滤波的严格对应要求。
2026-03-23 eess.SP stat.ML
Graph Distribution-valued Signals in Wasserstein Spaces: Theory and Applications
Nanyang Technological University(南洋理工大学)
该研究引入图分布值信号框架处理图信号,解决经典GSP局限,为依赖信号的图结构提供方法,建立GSP概念与GDS对应关系,给出理论连续性结果,通过示例应用与实证研究验证了方法的实用性和有效性。
2026-07-23 eess.SP
Two-Dimensional Graph Bi-Fractional Fourier Transform
School of Mathematics and Statistics, Nanjing University of Information Science and Technology(南京信息工程大学数学与统计学院);Hubei Key Laboratory of Applied Mathematics, Hubei University(湖北大学应用数学湖北省重点实验室)
针对二维图分数阶傅里叶变换适应性受限的问题,提出二维图双分数阶傅里叶变换(2D-GBFRFT),通过对图因子采用独立分数阶并保持可分性,设计了联合优化变换规则与对角谱滤波器的维纳式滤波波器,在去模糊动态图像上展现出优越的滤波性能。
2025-10-13 eess.SP
Widely-Linear MMSE Estimation of Complex-Valued Graph Signals
针对复值随机图信号恢复,本文提出基于图频域对角协方差的 GSP-WLMMSE 估计器,证明其 MSE 不高于 GSP-LMMSE、复杂度低于 WLMMSE,并通过合成与电力系统仿真验证其性能优势。
2023-03-10 cs.IT eess.SP math.IT
LLM Online Spatial-temporal Signal Reconstruction Under Noise
Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tsinghua University(清华大学)
本文提出LLM-OSR框架,结合图信号处理与大语言模型实现在线时空信号重建,并在交通和气象数据上验证了其在噪声条件下的准确性与鲁棒性。
2024-11-24 cs.LG eess.SP
Frames for signal processing on Cayley graphs
本文提出基于表示论的加权凯莱图谱分解方法,并构建Frobenius-Schur框架与凯莱框架,以支持凯莱图上的稳定信号处理。
2024-11-04 cs.IT eess.SP math.CO