Linear-Bias Time Encoding for Low-Rate Quantized Representation of Bandlimited Signals
针对传统积分-触发时间编码机(IF-TEMs)对信息平滑分布的带限信号过度过采样的问题,提出线性偏置IF-TEM(LB-IF-TEM),通过动态跟踪输入信号维持积分器输入恒定以定位触发间隔,实现低比特率下的有效量化与相当重建精度。
2025-11-12 eess.SP
Sampling and Reconstruction of Bandlimited Signals with Multi-Channel Time Encoding
采样通常通过记录给定时刻输入信号的幅度来执行;然而,当设备的时钟具有未知的偏移时,使用多个设备并行采样和重构信号变得更难解决。或者,可以记录信号(或其积分)穿过给定阈值的时间。例如,这可以模拟整合和激发神经元,并由Lazar和Tóth以“时间编码机器”的名义进行研究。这种采样方法更接近于自然界中的采样方法。在本文中,我们表明,当使用时间编码机,从多个通道的重建有一个更直观的解决方案,并不需要机器之间的移位的知识。我们表明,如果单通道时间编码可以采样和完美地重建一个$\mathbf{2Ω}$的带宽有限的信号,然后$\mathbf{M}$通道时间编码移位积分器可以采样和完美地重建一个信号与$\mathbf{M}$倍的带宽。此外,我们提出了一个算法来执行此重建,并证明它收敛到正确的唯一的解决方案,在无噪声的情况下,没有知识的相对移位之间的机器的积分。这与经典的多通道采样非常不同,在经典的多通道采样中,采样设备之间的未知偏移对完美重建造成了问题。
2019-12-03 eess.SP
Time encoding of bandlimited signals: reconstruction by pseudo-inversion and time-varying multiplierless FIR filtering
我们提出了一个完全重新设计的时间编码机(TEM)由Lazar和Tóth介绍的带限信号重建的框架。由于TEM的编码部分包括在已知时间间隔上获得带限输入的积分值,因此理论上相当于在输入上应用已知的线性算子。然后,我们接近的一般问题的信号重建的伪逆这个运营商。我们执行这个任务的数值和迭代使用凸集投影(POCS)。该算法可以在离散时间中精确地实现,由于使用了松弛系数,乘法都被简化为2的有符号幂的缩放。同时,该算法实现了类似于Lazar和Tóth的收敛速度。对于实时处理,我们提出了一种近似的时变FIR实现,它避免了将输入分成块。最后,我们对算法在数据噪声下的半收敛性进行了初步分析。
2020-12-24 eess.SP
Hardware Prototype of a Time-Encoding Sub-Nyquist ADC
模数转换器(ADC)是数字信号处理的关键部件。在这个框架中的经典采样器由一个全局时钟控制。在高采样速率下,时钟昂贵且耗电,从而增加ADC的成本和能耗。因此,希望使用无时钟ADC以尽可能低的速率进行采样。集成触发时间编码机(IF-TEM)是一种基于时间的高能效异步设计,不与全局时钟同步。在各种应用中普遍存在的新息速率(FRI)信号具有比信号的奈奎斯特速率更少的自由度,从而实现了次奈奎斯特采样信号模型。本文提出了一种高能效的IF-TEM ADC架构,并演示了亚奈奎斯特采样和FRI信号恢复。使用IF-TEM,我们在硬件中实现了第一个子奈奎斯特时基采样器。我们提供了一个可行的方法,准确地估计FRI参数IF-TEM数据。建议的硬件和重构方法检索FRI参数时误差高达-25dB,同时以低于奈奎斯特速率约10倍的速率工作,为低功耗ADC架构铺平了道路。
2023-01-05 eess.SP
Extremum Encoding for Joint Baseband Signal Compression and Time-Delay Estimation for Distributed Systems
针对非同置传感器通信受限场景下的时延估计问题,将“extremum encoding”方案扩展至复值信号以适用于射频基带处理,推导了错误概率的指数紧上界,仿真验证了其渐近行为与原方案相似且性能优于两种基准方法。
2024-12-24 eess.SP
Bandlimited signal reconstruction from leaky integrate-and-fire encoding using POCS
本文针对漏积分放电编码的带限信号重建问题,将LIF编码器建模为广义非均匀采样器,证明POCS方法收敛于加权伪逆,实现完美恢复、最小范数重建及噪声整形,并给出无需奈奎斯特率采样的离散实现。
2022-07-27 eess.SP
Learned Spike Encoding of the Channel Response for Low-Power Environment Sensing
针对边缘射频感知设备的能效需求,提出一种轻量级学习型脉冲编码架构,通过联合重构输入与频谱及可调正则项平衡性能与能耗,在重构误差和脉冲稀疏性上优于现有算法。
2024-01-29 eess.SP
Symbol Detection Using an Integrate-and-Fire Time Encoding Receiver
University of the Philippines Diliman(菲律宾大学迪利曼分校)
本文提出了一种基于整合-放电时间编码机的接收机架构,直接从时间编码中检测符号,无需波形重建,并分析了其性能与带宽的权衡。
2025-08-25 eess.SP
A Signal Peak Separation Index for axisymmetric B-tensor encoding
扩散加权MRI(DW-MRI)最近在平面、球形和一般B-张量编码方面引起了越来越多的兴趣。这些序列中的一些已经帮助传统的线性编码在白质微结构特征的估计中,通常通过使DW-MRI对体素中轴突束的取向不太敏感。然而,很少有人知道他们的潜力,使信号更敏感的束方向,特别是在交叉束体素。尽管平面编码因其信号与体素的取向分布函数(ODF)的相似性而受到赞扬,但线性编码仍然是取向估计的几乎无可争议的选择方法。本文提出了一个理论框架来衡量的灵敏度轴对称B张量束方向。信号峰分离指数(SPSI)的建议,出于理论上的考虑,一个简单的多张量模型的束交叉。理论和模拟证实了线性编码的直觉,因为它最大化B张量各向异性,拥有比所有其他轴对称B张量的内在优势。然而,在相同的SPSI下,扁B张量产生更高的信号,并且可能比扁长对应物对采集噪声更鲁棒。所提出的指数涉及的B-张量的性质,以一种简单的方式组织的微观结构,因此可以指导设计的扩散序列,以改善方向估计和纤维束成像。
2020-10-16 eess.SP physics.med-ph
Heterogeneous Population Encoding for Multi-joint Regression using sEMG Signals
School of Computer Science University of Sheffield(谢菲尔德大学计算机科学学院)
本研究提出一种基于LIF神经元异构群体的sEMG信号编码方法,证明参数变异性能提升多关节回归解码的鲁棒性和泛化性,为低功耗HMI应用提供新路径。
2025-01-25 cs.HC eess.SP
PAM-4 Transmission at 1550nm using Photonic Reservoir Computing Post-processing
在当代超快光纤传输系统中数据解码的效率在很大程度上取决于所使用的信号处理工具的能力。所接收的信号必须不超过一定的复杂性水平,超过该复杂性水平,所应用的信号处理解决方案变得不足或缓慢。此外,所需的接收信号的信噪比可能是具有挑战性的,特别是当采用具有多级编码的调制格式时。最近,光子库计算(photonic reservoir computing,RC)--一种具有循环连接性的硬件机器学习技术--被提出作为处理光纤传输的确定性失真的后处理工具。在这里,我们表明,RC后处理是非常有效的多级编码和使用非常高的发射光峰值功率高达14 dBm的光纤传输。较高的功率电平在接收机端提供所需的高信噪比(SNR)值,代价是传输信号的复杂非线性变换。我们的演示评估了直接光纤通信链路的4级脉冲幅度调制(PAM-4)编码和直接检测,不包括光放大,色散补偿,脉冲整形或其他数字信号处理(DSP)技术。通过对失真信号应用RC后处理,我们在56 Gb/s和112 Gb/s数据编码速率下数值估计光纤传输距离为27 km和5.5km,同时满足硬判决前向纠错(HD-FEC)数据恢复的误码率(BER)限制。在我们的光子库的实验等效演示中,实现的距离分别为21 km和4.6km。
2019-03-29 eess.SP
Semantic Communications for Wireless Sensing: RIS-aided Encoding and Self-supervised Decoding
语义通信可以通过传输从源消息中提取的任务相关语义信息来减少资源消耗。然而,当源消息用于各种任务时,例如,无线传感数据的定位和活动检测,语义通信技术是难以实现的,因为增加了处理复杂度。在本文中,我们提出了反向语义通信作为一种新的范式。我们的目标不是从消息中提取语义信息,而是将与任务相关的源消息编码成超源消息,以供数据传输或存储。根据这种模式,我们设计了一个反向语义感知的无线传感框架,分别与数据采样,可重构智能表面(RIS)辅助编码,和自监督解码的三种算法。具体来说,一方面,我们提出了一种新的RIS硬件设计,用于将多个信号频谱编码成一个MetaSpectrum。为了选择与任务相关的信号频谱以实现有效的编码,引入了语义散列采样方法。另一方面,我们提出了一种自监督学习方法来解码MetaSpectrums,以获得原始信号频谱。使用从现实世界中收集的传感数据,我们表明,我们的框架可以减少95%的数据量相比,编码前,而不影响传感任务的完成。此外,与通常使用的均匀采样方案相比,所提出的语义散列采样方案在恢复感测参数时可以实现67%的低均方误差。此外,实验结果表明,幅度响应矩阵的RIS使传感数据的加密。
2023-03-27 eess.SP
Extraction of In-Phase and Quadrature Components by Time-Encoding Sampling
本文提出一种基于时间编码采样的积分-发放型TEM方案,用于带通信号中I/Q分量提取,通过交替POCS算法实现完美重建,且不受中心频率影响,在低发放率下优于传统采样。
2024-05-27 eess.SP
Neural Oscillations for Encoding and Decoding Declarative Memory using EEG Signals
陈述性记忆与日常生活经验记忆的关系一直被研究。先前的研究报道了在编码阶段与行为表现相关的功率谱的变化,然而解码阶段仍然需要探索。本研究探讨了记忆过程中神经振荡的变化。被试被要求进行编码和解码阶段的记忆任务,同时记录脑电信号。结果表明,在编码阶段,额中央区低β、高β带功率显著降低,左颞区低β、高β和γ带功率显著降低,与成功的后续记忆效应有关。对于解码阶段,仅观察到额中央区的α功率显著降低。这一发现表明,β和α波段分别与记忆任务的编码和解码阶段相关。
2020-02-04 cs.NE eess.SP q-bio.NC
Time Encoding Sampling of Bandpass Signals
本文研究了用时间编码机(TEM)对带通信号进行采样和重构的问题。结果表明,这种采样在原理上等价于周期非均匀采样(PNS)。然后,TEM参数可以根据信号带宽和幅度来设置,而不是像带限/低通信号的情况下那样根据上边缘频率和幅度来设置。对于单个信息频带的带通信号,如果TEM参数使得每个信道中的时间序列的任何连续值之间的差由信号带宽的倒数限定,则可以完美地重建带通信号。提出了一种结合PNS插值函数的重建方法。数值实验验证了所提出的TEM格式的可行性和有效性。
2023-02-15 cs.IT eess.SP math.IT
Timing Recovery and Sequence Detection for Integrate-and-Fire Time Encoding Receivers
Electronics Engineering Institute University of the Philippines Diliman Quezon City, Philippines
本文提出了一种联合时间恢复与数据检测框架,用于积分-发射时间编码接收器,通过推导对数似然函数,实现了符号定时偏移和传输序列的联合估计,改进了符号误码率性能。
2026-02-24 eess.SP
Modulo Sampling of FRI Signals
模数转换器(ADC)的动态范围在模拟信号采样期间至关重要。采样前的取模运算可用于增强ADC的有效动态范围。此外,ADC的采样率也起着至关重要的作用,并且期望降低它。在许多应用中普遍存在的新息率(FRI)信号模型可以用于降低采样率。在用于FRI采样的模折叠的上下文中,现有工作以与创新率(RoI)相比非常高的采样率操作,并且与FRI信号的自由度(DoF)相比需要大量样本。此外,这些方法使用实际上不可行的无限长度滤波器。在模框架下研究了具有紧支撑核的FRI采样问题。我们推导出理论保证,并表明,FRI信号可以唯一地确定以上的ROI采样。可识别性的样本数量等于DoF。我们提出了一个实用的算法来估计FRI参数的模样本。我们表明,所提出的方法具有最低的误差估计的FRI参数,同时与现有技术相比,最低的样本数和采样率。研究结果有助于设计高性价比、高动态范围的FRI信号ADC。
2022-07-18 eess.SP
Baseline Drift Tolerant Signal Encoding for ECG Classification with Deep Learning
King’s College London(伦敦国王学院)
本文提出派生峰值(DP)编码,利用信号一阶和二阶导数过零点生成带符号尖峰,对偏移和缩放伪影具有不变性,在PTB-XL数据集上训练1D-ResNet-18进行心电图分类,显著提升了对基线漂移、偏移和重缩放等常见伪影的鲁棒性。
2024-04-26 cs.LG eess.SP
IoT Solutions with Multi-Sensor Fusion and Signal-Image Encoding for Secure Data Transfer and Decision Making
Army Research Laboratory(陆军研究实验室)
物联网(IoT)设备和数据融合技术的部署在公共和政府领域已经普及。这通常需要从多个来源捕获和整合数据。由于数据集不一定来自相同的传感器,因此融合数据通常会导致复杂的数据问题。由于军方正在研究异构物联网设备如何帮助流程和任务,因此我们研究了多传感器方法。此外,我们提出了一种信号到图像的编码方法来转换信息(信号),以将来自物联网可穿戴设备的数据整合(融合)到图像中,该图像是可逆的,更容易可视化,以支持决策。此外,我们研究了实现智能识别和检测操作的挑战,并证明了所提出的深度学习和异常检测模型的可行性,这些模型可以支持利用可穿戴设备手势数据的未来应用。
2021-06-02 cs.LG eess.SP
Integrate-and-fire circuit for converting analog signals to spikes using phase encoding
本研究针对神经形态芯片处理模拟信号需转换脉冲的需求,提出自适应LIF神经元不应期的相位编码方法,实现无ADC的端到端电信号频谱计算神经形态应用。
2023-10-03 cs.ET cs.NE eess.SP
Encoding and Decoding Temporal Signals with Spiking Bandpass Wavelets
Technical University of Denmark(丹麦技术大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出了一种基于小波框架的脉冲编码方法,通过量化带宽和重构误差界,实现时序信号的高效编码与解码,适用于ECG和音频数据集。
2026-10-05 cs.NE eess.SP q-bio.NC
Generalized Modulo Hysteresis Encoding
University of Hamburg(汉堡大学);University of Bremen(不来梅大学)
该研究针对模滞回模型的缺点,提出广义模编码器,推导带限信号由其广义模样本唯一确定的条件,给出带数学保证的恢复算法并通过数值实验验证理论结果。
2026-10-14 cs.NA eess.SP math.NA
Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing
School of Electrical and Computer Engineering, Georgia Institute of Technology(电气与计算机工程学院,佐治亚理工学院);NVIDIA Research(NVIDIA研究);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心);Department of Information Technology, Institute of Technology, Universidad San Pablo-CEU(信息科技系,技术研究所,圣地亚哥-CEU大学);City St George's, University of London(伦敦圣乔治大学);Hon Hai (Foxconn) Quantum Computing Research Center(鸿海(富士康)量子计算研究中心)
CL-QAS通过张量列车编码和双循环学习策略,实现连续量子架构搜索,在信号处理中提升了准确性和鲁棒性。
2026-01-10 cs.LG eess.SP quant-ph
Temporal signals to images: Monitoring the condition of industrial assets with deep learning image processing algorithms
ETH Zürich(苏黎世联邦理工学院);Airbus AI Research(空客人工智能研究院)
在许多应用领域中,检测时间序列中的异常的能力被认为是非常有价值的。时间序列对象的顺序性质导致了额外的特征复杂性,最终需要专门的方法来解决任务。时间序列的基本特征,位于时间域之外,往往很难捕捉与国家的最先进的异常检测方法时,没有转换已应用到时间序列。受计算机视觉中深度学习方法成功的启发,一些研究提出将时间序列转换为图像表示,用作深度学习模型的输入,并在分类任务中取得了非常有希望的结果。在本文中,我们首先回顾了在文献中发现的信号到图像编码方法。其次,我们建议修改他们的一些原始配方,使他们更强大的变化在大型数据集。第三,我们在一个常见的无监督任务的基础上对它们进行比较,以展示在相同的深度学习架构中使用时,编码的选择如何影响结果。因此,我们提供了六个编码算法之间的比较和没有提出的修改。所选择的编码方法有Gramian角场、马尔可夫转移场、递归图、灰度编码、频谱图和尺度图。我们还比较了使用原始信号作为另一个深度学习模型的输入所获得的结果。我们证明了一些编码具有竞争优势,可能值得在深度学习框架内考虑。该比较是对空客SAS收集和发布的数据集进行的,其中包含来自真实直升机飞行测试的高度复杂的振动测量结果。不同的编码为异常检测提供了有竞争力的结果。
2021-02-26 cs.LG eess.SP stat.ML
Comparison of Autoencoder Encodings for ECG Representation in Downstream Prediction Tasks
University of Kansas Medical Center(堪萨斯大学医学中心);University of Kansas(堪萨斯大学)
本研究针对ECG信号复杂度高、小样本下深度学习应用难的问题,提出三种新型VAE变体,其编码在信号重建与下游LVEF降低预测上表现优异,可媲美最优CNN且资源需求更低,为小样本场景提供实用方案。
2024-10-29 cs.LG eess.SP
Delta-Ramp Encoder for Amplitude Sampling and its Interpretation as Time Encoding
带限信号传统采集的理论基础通常依赖于均匀时间采样并假设无限精度的幅度值。在本文中,我们探讨了信号表示和恢复的基础上,假设无限精度的定时信息的均匀幅度采样。该方法是基于增量斜坡编码器,其中包括应用一个一级电平交叉检测器的结果,添加一个适当的锯齿状波形的输入信号。输出样本是这些电平交叉的时刻,因此表示输入信号的时间编码版本。为了理论上的目的,这个系统可以等效地分析可逆变换通过斜坡添加一个非单调的输入信号到一个单调的,然后均匀采样的幅度。然后,单调函数由信号穿过预定义且等间隔的一组振幅值的时间表示。我们把这种技术称为幅度采样。产生的时间序列也可以解释为原始源信号的非均匀时间采样。我们推导出的对偶和频域性质的转换中所涉及的功能。提出并实现了用于恢复原始源信号的迭代算法。仿真结果表明,对于非均匀采样,所提出的迭代幅度采样算法比基于帧的重建算法具有更快的收敛速度。在保持采样密度不变的情况下,通过适当选择参数也可以提高性能。
2020-02-07 cs.IT eess.SP math.CV
Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI
School of Electrical and Computer Engineering, Cornell University(康奈尔大学电气与计算机工程学院)
本文提出WIAE-GPF,一种基于Weak Innovation AutoEncoder的可解释生成式概率预测架构,通过非参数时间序列新息表示生成多元时间序列未来样本,在实时电力市场信号预测中始终优于经典与前沿机器学习方法。
2024-09-24 cs.LG econ.GN eess.SP