Weighted Superimposed Codes and Constrained Integer Compressed Sensing
我们介绍了一个新的家庭的代码,称为加权叠加码(WSC)。这个家庭推广类欧几里德叠加码(ESC),用于多用户识别系统。WSC允许区分满足规定的范数和非负性约束的实值码字的所有有界整数值线性组合。通过设计,WSC具有固有的噪声耐受性。因此,这些代码可以被看作是鲁棒压缩感知方案的特殊实例。本文的主要结果是几类WSC的最大可实现的码率的上下限。这些界限表明,在码字和加权向量约束的情况下,可以提高标准压缩感知可实现的码率。
2008-06-16 cs.IT math.IT
Sensing Mutual Information with Random Signals in Gaussian Channels: Bridging Sensing and Communication Metrics
本文利用随机矩阵理论推导随机信号下感知互信息的显式表达式,建立其与传统感知度量的联系,并用于优化预编码,统一感知与通信性能度量。
2024-02-06 cs.IT eess.SP math.IT
The Replica-Symmetric Prediction for Compressed Sensing with Gaussian Matrices is Exact
本文考虑了i.i.d.的压缩感知的基本限制。信号分布和i.i.d.高斯测量矩阵它的主要贡献是一个严格的渐近互信息(MI)和最小均方误差(MMSE)在此设置的特征。在较温和的技术条件下,我们的结果表明,极限MI和MMSE等于从统计物理的副本方法预测的值。这解决了一个众所周知的问题,这个问题已经公开了十多年。
2016-07-08 cs.IT math.IT
QoS-Constrained Resource Pattern Design for V2X-ISAC Systems
Daegu Gyeongbuk Institute of Science and Technology (DGIST)(大邱庆尚北道科学技术院);Institute of Innovation for Future Army, Republic of Korea Army(韩国陆军未来军队创新研究所);Interdisciplinary Studies of Artificial Intelligence, DGIST(大邱庆尚北道科学技术院人工智能跨学科研究);Autonomous Driving Intelligence Research Section, Electronics and Telecommunications Research Institute (ETRI)(电子通信研究院自动驾驶智能研究部);Department of Electrical Engineering and Computer Science, DGIST(大邱庆尚北道科学技术院电气与计算机工程系)
针对V2X-ISAC系统,提出QoS约束的资源模式选择框架,联合优化通信可靠性与感知性能,采用带单次交换的贪婪算法,在满足PRR约束下接近最优感知性能。
2026-10-06 cs.IT eess.SP math.IT
Corrupted Sensing with Sub-Gaussian Measurements
本文研究了从少量的亚高斯测量中精确恢复结构化信号的问题。我们考虑三种不同的程序来重建信号和腐败时,不同种类的先验知识。在每种情况下,我们提供了稳定的信号恢复结构化腐败与非结构化噪声的条件。在我们的分析中的关键成分是一个扩展的矩阵偏差不等式的各向同性次高斯矩阵。
2017-05-22 cs.IT math.IT
Cooperative spectrum sensing with enhanced energy detection under GAUSSIAN noise uncertainty in cognitive radios
针对一般高斯噪声,研究了协作频谱感知(CSS)中能量检测(ED)门限的优化问题。提出了增强ED阈值以克服多个噪声不确定性的敏感性。在高斯噪声不确定性下,提出了两步判决模式和凸样本阈值。通过推导独立同分布(i.i.d.)因此,我们在低信噪比(SNR)条件下,使用建议的ED阈值获得较低的总出错率(Qe)。此外,仿真结果表明,所提出的方案优于大多数其他噪声不确定性计划。
2017-12-29 cs.IT math.IT
Gaussian Data-aided Sensing with Multichannel Random Access and Model Selection
在本文中,我们研究了数据辅助传感(DAS)的系统组成的基站(BS)和一些节点,其中BS成为一个接收器,收集测量或数据集分布在一个小区的节点。DAS是允许BS有效地估计目标信号(即,所有节点的测量),具有少量的测量(与随机轮询相比)。在DAS中,基于在BS处已经可从先前回合获得的数据集,在每一回合中选择一组节点以用于高效的数据汇集。我们认为DAS的测量是相关的高斯本文。所得到的DAS被称为高斯DAS。使用均方误差(MSE)准则,在每一轮中,BS能够选择具有数据集的节点以最小化下一轮的MSE。此外,我们以两种不同的方式推广高斯DAS:i)具有多个并行通道,使用随机访问从节点上传测量值; ii)具有模型选择,其中多臂强盗问题公式用于将模型选择与DAS相结合。
2019-12-04 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
Heuristic Sensing Schemes for Four-Target Detection in Time-Constrained Vector Poisson and Gaussian Channels
针对时间受限的向量 Poisson 与 Gaussian 四目标检测,本文比较多种和组合感知的时间分配,分析互信息、检测概率及 Bayes 风险的一致性与凹性,但不寻求最优方案。
2022-02-21 cs.IT eess.SP math.IT
Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors
National University of Singapore(新加坡国立大学);Tencent(腾讯)
在1比特压缩感知中,每个测量被量化为单个比特,即未知向量的线性函数的符号,目标是准确地恢复向量。虽然最流行的是假设标准高斯感测矩阵用于1比特压缩感测,但是使用结构化感测矩阵(诸如部分高斯循环矩阵)由于其更快的矩阵运算而具有显著的实际重要性。在本文中,我们提供了一个基于相关性的鲁棒1位压缩感知的优化算法与随机签署的部分高斯循环矩阵和生成模型的恢复保证。在适当的假设下,我们匹配了以前只知道对i.i.d.~高斯矩阵,需要更多的计算。我们利用一个实用的迭代算法,并进行了数值实验上的图像数据集,以证实我们的理论结果。
2021-08-08 cs.IT cs.LG math.IT
Compressed Sensing from Phaseless Gaussian Measurements via Linear Programming in the Natural Parameter Space
我们考虑忠实地结合相位恢复与经典的压缩感知。受最近新的相位恢复公式PhaseMax的启发,我们提出并分析了SparsePhaseMax,一个线性规划的自然参数空间中的无相位压缩感知。我们确定,当提供有与任意$k$ -稀疏$n$ -向量相关的初始化时,SparsePhaseMax以高概率从$O(k \log \frac{n}{k})$幅度测量相对于i.i.d.高斯随机向量。我们对这一事实的证明利用了无相和1位压缩传感之间一个奇怪的新发现的联系。这是第一个结果,建立自举压缩感知无相位高斯测量下的最佳样本复杂度。
2017-03-03 cs.IT math.IT math.OC
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
CSI Sensing from Heterogeneous User Feedbacks: A Constrained Phase Retrieval Approach
针对5G异构网络中低分辨率Type-I码本用户的CSI感知问题,提出利用邻近用户空间一致性降维并构建CPR模型的两阶段快速算法,以少量反馈达到Type-II码本性能。
2022-06-28 cs.IT eess.SP math.IT
Constrained adaptive sensing
假设我们希望从形式为$\mathbf{y} = \mathbf{A x} + \mathbf{z}$的少量噪声线性测量中估计矢量$\mathbf{x} \in \mathbb{C}^n$,其中$\mathbf{z}$表示测量噪声。当向量$\mathbf{x}$稀疏时,意味着它仅具有具有$s \ll n$的$s$非零值,如果信噪比(SNR)足够大,则可以通过基于先前测量自适应地选择$\mathbf{A}$的行来获得$\mathbf{x}$的显著更准确的估计。在本文中,我们考虑的情况下,我们希望实现自适应的潜力,但行的$\mathbf{A}$受到物理约束。特别是,我们研究的情况下,行的$\mathbf{A}$被约束为属于一个有限的一组允许的测量向量。我们证明了自适应传感的局限性和优势,在这种约束设置。我们证明,对于某些测量合奏,自适应设计提供的好处远远低于无约束的自适应设置中可能的改进。另一方面,我们还提供了理论和经验证据,在某些情况下,适应性仍然导致大幅改善,即使在约束设置。为了说明这些潜在的收益,我们提出了实用的算法约束自适应传感利用连接到最优实验设计理论,并表明这些算法表现出良好的性能在一些有代表性的应用。
2016-07-15 cs.IT math.IT
One-bit compressed sensing with partial Gaussian circulant matrices
在本文中,我们考虑无记忆的一位压缩感知随机子采样高斯循环矩阵。我们表明,在一个小的稀疏度制度和足够小的精度$δ$,$m\sim δ^{-4} s\log(N/sδ)$测量足以重建的任何$s$ -稀疏向量的方向,通过一个有效的程序的准确性$δ$。我们通过证明部分高斯循环矩阵满足$\ell_1/\ell_2$ RIP-性质得到这个结果。在对$δ$的依赖性稍差的情况下,我们建立了近似稀疏性的稳定性以及完整向量恢复结果。
2017-10-09 cs.IT math.IT math.PR
Optimized projections for compressed sensing via rank-constrained nearest correlation matrix
“Gheorghe Asachi” Technical University of Iasi(雅西“格奥尔基·阿萨奇”技术大学)
优化采集矩阵对于在过完备字典中稀疏的信号的压缩感测是有用的,因为采集矩阵可以适应字典原子的特定相关性。在本文中,提出了一种新的配方的优化问题,在秩约束的最近相关矩阵问题的形式。此外,改进现有的三个优化算法,这是所提出的配方的特殊情况下。仿真结果表明,在稀疏信号恢复显着的改善和优越的鲁棒性。
2013-09-14 cs.IT cs.LG math.IT
Multi-channel Sensing And Resource Allocation in Energy Constrained Cognitive Radio Networks
我们考虑一个认知无线电网络中的多信道许可的环境。如果信道被感测为空闲,则次用户在信道中发送。这导致感测时间和传输时间之间的折衷。当次用户能量受限时,如果更多的能量用于感测,则可用于传输的能量更少。这就产生了能量的权衡。对于多个主信道,次用户必须在每个信道中决定适当的感测时间和发送功率,以最大化每个帧持续时间内的平均聚合比特吞吐量,同时确保主用户的服务质量。考虑到时间和能源的有限资源,我们制定了这个问题作为一个资源分配问题。最初考虑单个二级用户场景,并使用分解和交替优化技术获得解决方案。之后我们将分析扩展到多个二级用户的情况。仿真结果研究了信道占用、衰落和能量可用性对该方法性能的影响。
2017-01-17 cs.IT cs.NI math.IT
Oversampled Adaptive Sensing
我们开发了一个贝叶斯框架的传感,适应感测时间和/或基函数的瞬时感测质量测量的预期后验均方误差。对于稀疏高斯源,与非自适应感测相比,实现了平均感测时间和/或均方误差的显著减少。当压缩比为3、稀疏高斯源为10%、平均感知时间相等时,该方法在多项式时间复杂度的同时,比最优压缩感知的性能提高约2 dB,比非自适应3倍过采样正交感知的性能提高约3 dB,比基于LASSO的恢复方案的性能提高约6 ~ 7 dB。我们利用的是,在高斯噪声的存在下,条件的均方误差对当前的观察是成比例的导数的条件均值估计相对于这个观察。
2018-02-08 cs.IT math.IT
Sensing Method for Two-Target Detection in Time-Constrained Vector Poisson Channel
针对时间受限的双 Poisson 源检测问题,研究单独与联合感知的最优时间分配,并比较互信息与检测概率两种优化指标。
2022-01-19 cs.IT eess.SP math.IT
Structure-Constrained Basis Pursuit for Compressed Sensing
在压缩感知(CS)理论中,当样本的数量减少到最小阈值以下时,恢复的平均误差增加。为了保证重建质量,需要足够的采样,或者可以接受误差。然而,大多数CS的工作并没有利用固有的结构,在各种信号相关的工程应用。因此,本文提出了一种新的恢复建立在基追踪(BP),称为结构约束基追踪(SCBP),约束信号的基础上已知的结构,而不是通过额外的采样。该方法对语音音素/aa/的TIMIT记录的初步评估显示错误大幅减少:使用固定的5:1压缩比,平均恢复错误比vanilla BP低23.8%。更重要的是,这种方法可以应用于任何采样结构化数据(如FSK波形、语音和音调)的CS应用。在这些情况下,可以达到更高的压缩比,具有可比的误差。
2015-10-12 cs.IT math.IT
Phase Transitions in Phase-Only Compressed Sensing
本文研究相位压缩感知的相变位置,证明其由下降锥的统计维数决定,并给出稀疏信号和低秩矩阵的精确公式,表明相位测量比线性测量更高效,反驳了先前猜想。
2025-01-21 cs.IT eess.SP math.IT
Energy-Efficient Sensing and Communication of Parallel Gaussian Sources
能量有效性是无线传感器网络设计中的一个关键要求。虽然大多数理论研究只考虑通信的能量需求,但包括测量和压缩在内的感知过程也会消耗相当的能量。本文研究了并行信源的感知和通信问题,考虑了感知和通信的代价。在问题的第一个公式中,传感器具有用于感测的单独能量预算和用于通信的速率预算,而在第二个公式中,传感器具有用于这两个任务的单个能量预算。假设具有较大方差的源具有较低的感测成本,感测能量和速率的最优分配,最大限度地减少了总失真推导出第一个问题。此外,第二个问题的解决方案的结构性结果推导出的假设下,具有较大的方差的源传输的信道具有较低的噪声。对于能量预算足够大的情况,也得到了封闭形式的解。对于任意阶的方差和成本,第一个问题的最优解也得到了数值计算和比较几个次优策略。
2012-05-22 cs.IT math.IT
Coverage and Rate Analysis for Integrated Sensing and Communication Networks
本文提出广义随机几何框架分析ISAC网络,计算资源约束下传感与通信的覆盖率和遍历速率,揭示双功能耦合效应,数值验证表明基站密度增加显著提升ISAC覆盖率。
2024-03-22 cs.IT eess.SP math.IT
On the Sensing Capacity of Gaussian "Beam-Pointing" Channels with Block Memory and Feedback
本文针对5G/6G高频通信中的高斯波束指向信道,研究其感知容量,提出通信与感知联合方案,利用动态规划推导感知容量上界和可达内界,并在Q=1时达到最优感知速率,揭示感知与通信的折衷。
2025-08-28 cs.IT math.IT
On the Effect of Pulse Shaping Filters in Zak-OTFS Waveform for Radar Sensing
Indian Institute of Science, Bangalore(印度科学研究所班加罗尔分校)
本文研究Zak-OTFS雷达波形中不同脉冲成形滤波器(sinc、高斯-辛格滤波器)对自模糊函数的影响,发现sinc和GS滤波器主瓣更窄,在多目标密集场景下分辨率更高,而高斯滤波器旁瓣更低,在稀疏场景下性能更好;当采用干扰抑制接收机时,sinc和GS滤波器在两种场景下均优于高斯滤波器。
2026-05-28 cs.IT eess.SP math.IT
Bernoulli-Gaussian Approximate Message-Passing Algorithm for Compressed Sensing with 1D-Finite-Difference Sparsity
提出了一种基于MMSE估计的一维有限差分稀疏压缩感知(CS)恢复的快速近似消息传递(AMP)算法。该算法(ssAMP-BGFD)具有计算量小、收敛速度快、每次迭代代价低的特点,其相位转换几乎接近最新技术水平。该算法源于和积消息传递规则,应用Bernoulli-Gaussian(BG)先验,寻求MMSE解。该算法的结构不仅包括传统的AMP技术的测量保真度,但也提出了一个简化的消息传递方法,以促进有限差分信号稀疏。此外,我们提供了一个EM调谐方法来学习BG先验参数,建议如何使用一些实际的测量矩阵满足RIP的要求下ssAMP-BGFD恢复。大量的实验结果证实了所提出的算法的性能,在相变,收敛速度和CPU运行时间,最近的算法相比。
2015-09-04 cs.IT math.IT
Gaussian Belief Space Path Planning for Minimum Sensing Navigation
University of Texas at Austin(德克萨斯大学奥斯汀分校);Tokyo Institute of Technology(东京工业大学)
我们提出了一种路径规划方法的移动机器人导航通过充满障碍的环境中产生一个参考路径是可追溯的适度的传感努力。所需的参考路径的特点是在一个充满障碍的高斯信念流形配备了一个新的信息几何距离函数的最短路径。我们引入的距离函数被证明是一个非对称的准伪度量,可以被解释为引导高斯信念所需的最小信息增益。提出了一种基于RRT * 的数值求解算法来求解最短路径问题。为了深入了解所提出的算法的渐近最优性,我们考虑的路径长度函数是连续的拓扑结构的总变分。仿真结果表明,所提出的方法是有效的,在各种机器人导航方案,以减少传感器的成本,如所需的频率的传感器测量和必须同时操作的传感器的数量。
2022-12-07 cs.IT cs.RO math.IT
Energy Concealment based Compressive Sensing Encryption for Perfect Secrecy for IoT
最近的研究表明,在资源受限的物联网设备中使用高斯或二项式传感矩阵的基于压缩感知(CS)的计算安全方案容易受到仅密文攻击。虽然基于CS的完全安全方案没有这样的漏洞,但完全安全方案的实际实现是具有挑战性的,因为它需要额外的安全信道来传输测量范数。在本文中,我们通过隐藏能量设计了一个完全安全方案的实际实现,其中消除了对额外安全信道的要求。由于高斯感测矩阵的生成在资源受限的IoT设备中是不可行的,因此使用线性反馈移位寄存器来生成近似高斯感测矩阵。我们还证明了所提出的完全安全的方案在实践中的实施的可行性,而不增加复杂性。此外,所提出的方案的安全性分析,并与最先进的压缩感知的能量混淆方案进行了比较。
2020-11-11 cs.CR cs.IT math.IT
The Capacity of the Amplitude-Constrained Vector Gaussian Channel
研究了在输入向量范数具有峰值幅度约束条件下,多输入多输出加性高斯白噪声信道的容量问题。提出了关于实现能力的投入分配的新见解。此外,它提供了一个迭代算法,以数值计算的信息容量和最佳输入分配这样的信道。
2021-05-05 cs.IT math.IT
Reconstruction Error Bounds for Compressed Sensing under Poisson or Poisson-Gaussian Noise Using Variance Stabilization Transforms
大多数现有的从压缩测量的信号重建的界限假设的附加信号无关的噪声。然而,在许多压缩成像系统中,噪声统计由泊松或泊松-高斯噪声模型更准确地表示。在本文中,我们推导出上界的信号重建误差从压缩测量被破坏的泊松或泊松-高斯噪声。我们的界的特点如下:(1)给出了一个概率激励的,计算上易处理的凸估计量的界。该估计器惩罚信号稀疏性受到的约束,施加上界的方差稳定变换的基础上的一项近似的泊松或泊松-高斯负对数似然。(2)它们适用于稀疏以及可压缩的信号在任何正交基,并推导出压缩系统服从现实的约束,如非负性和通量保存。我们提出了广泛的数值计算结果下的信号重建不同数量的测量和不同的信号强度水平。
2018-02-12 cs.IT math.IT
Sigma-Delta quantization of sub-Gaussian frame expansions and its application to compressed sensing
研究通过Sigma-Delta方案对子高斯框架展开进行量化,实现信号在高采样率下高效恢复,扩展了确定性框架和高斯压缩感知的结果。
2013-06-19 cs.IT cs.NA math.IT
Robust iterative hard thresholding for compressed sensing
压缩感知(CS)或稀疏信号重构(SSR)是一种信号处理技术,它利用了采集的数据可以在某种基础上具有稀疏表示的事实。重建或近似未知稀疏信号的一种流行技术是迭代硬阈值(IHT),然而,在非高斯噪声条件下或面对离群值(粗差)时,该技术的性能非常差。在本文中,我们提出了一个强大的IHT方法的基础上的思想,从$M$估计,估计稀疏信号和规模的误差分布的同时。在高斯噪声下,该方法与IHT相比具有可忽略的性能损失,但在重尾非高斯噪声条件下具有更好的性能。
2014-05-07 cs.IT math.IT stat.AP
High signal-to-noise ratio asymptotics of entropy-constrained Gaussian channel capacity
School of Computer and Communication Sciences, EPFL(洛桑联邦理工学院计算机与通信科学学院);Faculty of Electrical and Computer Engineering, Technion(以色列理工学院电气与计算机工程学院)
本文研究了高信噪比下熵约束高斯信道容量的行为,证明了容量达到分布为离散高斯分布,并刻画了熵与容量差距的指数衰减特性。
2026-01-14 cs.IT math.IT math.PR
Non-Gaussian Hyperplane Tessellations and Robust One-Bit Compressed Sensing
我们表明,由少量的随机仿射超平面生成的镶嵌可以用来近似任意有界集$T$中任意两点之间的欧氏距离,其中随机超平面由亚高斯或重尾法向量和均匀分布的移位生成。我们推导出定量界的超平面的数量需要构建这样的镶嵌在自然度量复杂性措施的$T$和所需的近似误差。我们的工作在这个方向上显着扩展以前的结果,这是有限的高斯超平面镶嵌的子集的欧几里德单位球。作为应用,我们在非高斯测量矩阵的无记忆一位压缩感知中获得了新的重构结果。我们表明,通过在均匀分布的阈值量化,它是可以准确地重建低复杂度的信号,从少量的一位量化测量,即使测量矢量是从一个重尾分布。我们的重建结果是统一的性质和鲁棒性的存在下的预量化噪声的模拟测量,以及对抗性的比特损坏的量化过程中。此外,我们表明,如果测量矩阵是亚高斯,那么准确的恢复可以通过一个凸规划实现。
2018-08-13 cs.IT math.IT math.PR
D-OAMP: A Denoising-based Signal Recovery Algorithm for Compressed Sensing
近似消息传递(AMP)是压缩感知(CS)中一种有效的迭代信号恢复算法。对于具有独立同分布(i.i.d.)高斯项,AMP的行为可以渐近描述的标量递归称为状态演化。正交AMP(OAMP)是AMP的一种变体,它对去噪器施加了无发散约束。在本文中,我们将OAMP扩展到包含通用去噪器,因此命名为D-OAMP。我们的数值结果表明,状态演化预测的性能D-OAMP以及通用去噪时,i.i.d.涉及高斯或部分正交传感矩阵。我们比较了去噪-AMP(D-AMP)和D-OAMP从CS测量恢复自然图像的性能。仿真结果表明,D-OAMP算法在部分正交感知矩阵的收敛速度和恢复精度上都优于D-AMP算法。
2016-10-19 cs.IT math.IT
Analyzing Cross Validation In Compressed Sensing With Mixed Gaussian And Impulse Measurement Noise With L1 Errors
压缩感测(CS)涉及以低于其奈奎斯特速率的速率对信号进行采样,并尝试在采样采集之后重构它们。大多数这样的算法都有参数,例如LASSO中的正则化参数,需要仔细选择以获得最佳性能。这些参数可以基于对噪声水平或信号稀疏性的假设来选择,但是这种知识通常是不可用的。在这种情况下,交叉验证(CV)可以用于以纯粹的数据驱动方式选择这些参数。以前的工作分析使用的CV在CS一直是基于$\ell_2$交叉验证误差与高斯测量噪声。但众所周知,$\ell_2$误差对脉冲噪声不鲁棒,并且提供了对恢复误差的差的估计,未能选择最佳参数。这里,我们建议使用$\ell_1$ CV误差,其在给定脉冲测量噪声的情况下提供实质性的性能益处。最重要的是,我们提供了一个详细的理论分析和误差范围的使用$\ell_1$ CV错误CS重建。我们表明,以高概率,选择产生最小$\ell_1$ CV误差的参数相当于选择最小的恢复误差(这在实践中是不可观察的)。据我们所知,这是第一篇从理论上分析CS中基于$\ell_1$的CV的论文。
2021-02-19 cs.IT math.IT
Distributed Detection over Gaussian Multiple Access Channels with Constant Modulus Signaling
考虑了传感器在高斯多址信道上传输恒模信号的分布式检测方案。该方案的偏转系数取决于传感噪声的特征函数,并利用大偏差理论推导出系统的误差指数。偏转系数和误差指数的优化被认为是相对于传输相位参数的各种传感噪声分布,包括脉冲的。与现有的放大转发和检测转发方案相比,该方案也是有利的。衰落的影响被证明是有害的检测性能,通过减少的偏转系数取决于衰落的统计。仿真结果证实,偏转系数和误差指数可以有效地用于优化各种传感噪声分布的错误概率。
2010-11-12 cs.IT math.IT
Dequantizing Compressed Sensing: When Oversampling and Non-Gaussian Constraints Combine
在本文中,我们研究的问题,恢复稀疏或可压缩的信号从均匀量化的测量。我们提出了一类新的凸优化程序,或解码器,创造了基追踪去量化器的时刻$p$(BPDQ $_p$),模型的量化失真更忠实于常用的基追踪去噪(BPDN)程序。我们的解码器通过最小化要重建的信号的稀疏性来进行,所述信号受到在$2\leq p\leq \infty$的残差的$\ell_p$范数中表示的数据保真度约束。我们从理论上表明,(i)这些新的解码器的重建误差是有界的,如果感测矩阵满足扩展的限制等距属性涉及的$\ell_p$规范,和(ii),高斯随机矩阵和均匀量化的测量,BPDQ $_p$性能超过BPDN的重建误差除以由于量化由$\sqrt{p+1}$。当测量的数量超过随着$p$增长的值时,即在与BPDN = BPDQ $_2$通常所需的情况相比过采样的情况下,最后一种效果以高概率发生。为了证明BPDQ $_p$的理论力量,我们报告信号和图像重建问题的数值模拟。
2010-06-22 cs.IT math.IT math.OC
Do log factors matter? On optimal wavelet approximation and the foundations of compressed sensing
压缩感知中的一个签名结果是高斯随机采样在测量数量的最佳条件下实现了稀疏向量的稳定和鲁棒恢复。然而,在图像重建的上下文中,已经有大量文献证明,基于傅立叶测量的采样策略优于这种据称是最佳的方法。基于这一看似矛盾的问题,我们研究了压缩感知的最优采样问题。严格结合小波逼近和无限维压缩感知理论,我们的分析导致新的误差界的测量总数$m$分段$α$-Hölder函数的近似。我们的理论研究结果表明,傅立叶采样优于随机高斯采样时,霍德尔指数$α$是足够大的。此外,我们建立了一个可证明的最优抽样策略。这项工作是解决所声称的悖论的重要的第一步,并提供了一个明确的理论依据,压缩传感技术在成像问题中的实际成功。
2021-01-25 cs.IT math.IT
Indistinguishability and Energy Sensitivity of Asymptotically Gaussian Compressed Encryption
压缩感知(CS)的原理可以通过提供安全性的概念应用于密码系统。在信息论意义上,已知基于CS的密码系统可以是完全安全的,如果它采用在每次加密时更新的随机高斯感知矩阵,并且其明文具有恒定的能量。在本文中,我们提出了一个新的CS为基础的密码系统,采用了一个秘密的双极密钥流和一个公共酉矩阵,它可以通过生成和更新的密钥流在一个快速和有效的方式,适合于实际的实施。我们证明了传感矩阵是渐近高斯足够大的明文长度,这保证了一个可靠的CS解密合法的收件人。通过概率度量,我们还表明,新的CS为基础的密码系统可以对对手的不可否认性,只要密钥流更新在每次加密和每个明文具有恒定的能量。最后,我们研究了新的基于CS的密码系统的安全性是如何敏感的明文的能量变化。
2017-09-18 cs.IT math.IT
Robust Sensing of Low-Rank Matrices with Non-Orthogonal Sparse Decomposition
针对具有非正交稀疏秩1分解的低秩矩阵恢复问题,提出一种可通过交替最小化求解的变分公式,证明其全局最优解的逼近精度,并推导多类测量下的重构保证,数值实验验证了理论有效性。
2023-06-12 cs.IT math.IT
New Algorithms and Improved Guarantees for One-Bit Compressed Sensing on Manifolds
我们研究的问题近似恢复信号的流形上从一位线性测量得出的高斯系综,部分循环系综,或有界正交系综和量化使用西格玛-德尔塔或分布式噪声整形方案。我们假设我们给出了一个几何多分辨率分析,它近似的流形,我们提出了一个凸优化算法的信号恢复。我们证明了一个上限的恢复误差优于以前的作品,使用无记忆标量量化,需要一个更简单的分析,并扩展类的测量超出高斯。最后,我们用数值实验来说明我们的结果。
2019-04-24 cs.IT math.IT
LDPC Code Design for the BPSK-constrained Gaussian Wiretap Channel
提出了一种基于不规则低密度奇偶校验(LDPC)码的编码方案,在存在窃听器的情况下,通过高斯窃听信道从信源向目的地发送秘密消息,并限制信源只能发送二进制相移键控(BPSK)符号。所提出的编码方案的保密性能是衡量通过窃听信道的秘密消息的速率,以及在窃听器的消息的含糊率。一个代码搜索过程中,建议获得不规则的LDPC码,实现良好的保密性能,在这种情况下。
2011-03-21 cs.IT math.IT
On entropy-constrained Gaussian channel capacity via the moment problem
本文研究输入端带有熵约束的功率受限加性高斯信道容量,通过证明矩匹配问题的一般结果,刻画了低信噪比与小熵条件下的容量,并指出具有正小熵的离散变量最多能匹配连续变量的三个初始矩。
2025-04-29 cs.IT math.IT math.PR
JCAS-MARL: Joint Communication and Sensing UAV Networks via Resource-Constrained Multi-Agent Reinforcement Learning
本文提出JCAS-MARL框架,利用多智能体强化学习解决无人机网络中通信、感知与能源约束的协同优化问题,通过动态通信图实现多无人机共识以提高检测可靠性。
2026-03-13 cs.AI cs.IT cs.LG
Capacity Bounds for Discrete-Time, Amplitude-Constrained, Additive White Gaussian Noise Channels
实现容量的离散时间,加性高斯白噪声(AWGN)信道的输入分布与幅度约束是离散的,似乎很难明确地表征。一个双容量表达式被用来推导标量和矢量AWGN信道的解析容量上界。标量界改进了McKellips的界,并且对于所有信噪比(SNR)在0.1比特的容量内。二维界限是在0.15比特的容量可证明高达4.5 dB,和数值证据表明所有SNR的类似差距。
2015-11-27 cs.IT math.IT
Probabilistic Temporal Shaping for Level-Constrained Signaling on Bandlimited Additive White Gaussian Noise Channels
Technical University of Munich(慕尼黑工业大学);Technion—Israel Institute of Technology(以色列理工学院)
针对带限加性高斯白噪声信道的电平约束信号传输问题,采用概率时域成形推导新容量下界,最优成形密度满足可逆性要求,两种PTS方案分别实现1.94 dB和1.64 dB的高信噪比增益。
2026-08-11 cs.IT math.IT
First- and Second-Moment Constrained Gaussian Channels
研究了强度调制直接检测(IM/DD)可见光通信(VLC)系统在光功率和电功率约束下的信道容量。具体而言,它推导出的渐近能力在高和低的信号-噪声比(SNR)制度下的峰值,第一时刻,和第二时刻的限制。结果表明,一阶矩和二阶矩约束从来没有同时活跃在渐近低信噪比政权,只有在少数情况下,在渐近高信噪比政权。此外,二阶矩约束是更严格的渐近低信噪比制度比在高信噪比制度。
2021-02-04 cs.IT math.IT
On the Capacity Achieving Input of Amplitude Constrained Vector Gaussian Wiretap Channel
研究了峰值功率约束下$n$维高斯窃听信道的保密容量。这项工作确定了最大的峰值功率约束$\bar{\mathsf{R}}_n$,这样均匀分布在一个单一的球体上的输入分布是最佳的,这种制度被称为小幅度制度。当$n$趋于无穷大时,$\bar{\mathsf{R}}_n$的渐近完全表征为两个接收器处的噪声方差的函数。此外,安全容量也以适合于计算的形式表征。此外,提供了几个数值例子,如second-capacity实现小幅度制度以外的分布的例子。
2022-02-01 cs.IT math.IT
Efficient Compressive Phase Retrieval with Constrained Sensing Vectors
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种高效的压缩相位恢复方法,通过受限传感向量和两阶段重构方法,解决从线性测量的幅度重建稀疏向量的问题,证明在O(k log(d/k))测量下可有效恢复目标信号。
2015-10-27 cs.IT cs.NA math.IT
One-Bit Sensing of Low-Rank and Bisparse Matrices
本文研究了低秩与双稀疏矩阵在one-bit sensing下的最坏情况恢复误差,通过consistency width概念给出理论衰减估计,并提出了在factorized Gaussian sensing schemes下可实现恢复误差按最优速率六次方根衰减的算法。
2019-01-19 cs.IT cs.NA math.IT
Compressed Sensing with Very Sparse Gaussian Random Projections
Rutgers University(罗格斯大学)
我们研究使用非常稀疏的随机投影压缩感知(稀疏信号恢复)时,信号条目可以是积极的或消极的。在我们的设置中,高斯设计矩阵的条目是随机稀疏的,因此只有非常小的一部分条目是非零的。我们提出的解码算法是简单而有效的,因为主要的成本是一个线性扫描的坐标。我们已经开发了两个估计:(i){ \em tie estimator},(ii){ \em absolute minimum estimator}。仅使用领带估计器,我们能够使用$1.551 eK \log K/δ$测量(其中$δ\leq 0.05$是置信度)恢复长度为$N$的$K$稀疏信号。仅使用绝对最小值估计器,我们可以使用$eK\log N/δ$测量来检测信号的支持。对于特定坐标,绝对最小估计器需要较少的测量(即,用恒定的$e$代替$1.551e$)。因此,这两个估计器可以组合以形成甚至更实用的解码框架。先前的研究已经表明,使用稀疏矩阵的现有一次扫描(或大致一次扫描)恢复算法将需要实质上更多的(例如,一个数量级)的测量比通过线性规划的L1解码时,信号的非零项可以是负或正。在本文中,根据一个已知的实验设置,我们表明,在相同数量的测量,我们提出的方法的恢复精度是(至少)类似于标准的L1解码。
2014-08-11 cs.DS cs.IT cs.LG
Sequential Information Guided Sensing
我们研究的顺序压缩感知中的信息的价值,通过表征的顺序信息引导传感在实际情况下,当信息是不准确的性能。特别地,我们假设信号分布通过具有估计的均值和协方差矩阵的高斯或高斯混合来参数化,并且我们可以通过噪声线性投影或使用一个稀疏向量来压缩测量,即,每次观察信号的一个条目。我们通过捕获条件熵(这也与不确定性的大小有关)以及由于不准确的信息而达到所需精度所需的额外功率,通过后验均值为信号估计器的偏差和方差建立了一组性能界限。在此基础上,我们进一步研究了如何基于直接样本或协方差草图估计协方差。数值算例也表明了信息贪婪感知算法的优越性能相比,他们的随机和非自适应同行。
2015-09-01 cs.IT math.IT math.ST