Folded Graph Signals: Sensing with Unlimited Dynamic Range
自复位模数转换器(ADC)用于对高动态范围信号进行采样,从而产生基于模运算的折叠信号样本。我们考虑这样的情况,其中图的每个顶点(例如,网络中的传感器)配备有自复位ADC,并感测时间序列。图形采样允许图形时间序列由采样顶点和时间实例的子集处的信号表示。本文研究了从折叠信号样本中恢复带限连续时间图信号的问题。我们推导出充分的条件,以实现成功的恢复的图形信号从折叠的信号样本,这可以通过整数规划来实现。针对整数规划的可扩展性问题,提出了一种满足一定技术条件的图信号稀疏优化恢复方法。这种方法需要一种新颖的图形采样方案,该方案选择信号变化较小的顶点。该算法利用图中顶点和时域的固有关系来恢复图信号。仿真和图像实验验证了该方法的可行性。
2020-01-20 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
Towards bandwidth estimation for graph signal reconstruction
在众多的图形信号处理应用中,数据经常由于各种原因而丢失,并且预测丢失的数据是必不可少的。在本文中,我们认为数据的图建模为带限图信号。预测或重构这种模型的未知信号值需要估计信号带宽。在本文中,我们解决的问题,估计重建误差,最小化,从而提供一个估计的信号带宽。在这样做时,我们设计了一个交叉验证的方法需要稳定的图形信号重建,并提出了一种方法来估计不同的选择信号带宽的重建误差。使用这种技术,我们能够估计各种现实世界的图形上的重建误差。
2023-03-12 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
Blind Graph Matching Using Graph Signals
针对底层图未知时先推断拓扑易受观测误差影响的问题,提出直接由图滤波器输出信号构建样本协方差矩阵并依据选定特征向量匹配节点的盲图匹配方法。
2024-03-30 eess.SP
Sample entropy for graph signals: An approach to nonlinear analysis of graph signals
Institute for Imaging, Data and Communications, School of Engineering, University of Edinburgh(爱丁堡大学工程学院成像、数据与通信研究所);School of Computer Science and Informatics, Cardiff University(卡迪夫大学计算机科学与信息学院)
本文提出图信号的样本熵SampEn_G,用于量化连续状态空间上图信号的不规则性,通过多跳图嵌入替代传统样本熵的时间延迟嵌入,验证其在有向路径图上退化为经典SampEn,并通过实验展示其在图信号分析中的应用。
2026-04-22 eess.SP
Subgraph Signal Processing
图形信号处理,如图形傅里叶变换,需要在图形的每个顶点处的全图形信号。然而,实际上,仅顶点子集处的信号可为可用的。我们提出了一个子图信号处理的框架,涉及一个图形移位运算符或过滤器上的子图与过滤器上的环境图通过运营商损失。它允许我们定义子图信号的移位运算符,这对限制于环境图的不同子图(我们称之为半移位不变)的移位不变滤波器的混合物具有有意义的解释和关系。这导致子图信号的频域概念在某种意义上与全图信号的频域概念一致。我们应用子图信号处理机的几个应用程序,并证明了这个框架的效用的情况下,只有部分图形信号进行观察。
2021-02-05 eess.SP
Sampling of Correlated Bandlimited Continuous Signals by Joint Time-vertex Graph Fourier Transform
当对多个信号进行采样时,可以利用信号之间的相关性来减少样本的总数。本文研究了多个相关信号的采样理论,利用相关性以最低采样率对多个相关信号进行采样。基于信号源之间的相关性,我们将多个连续时间信号建模为连续时间顶点图信号。将图形信号投影到正交基上,通过图形傅里叶变换消除空间相关性并降低维数。在给定原始信号和降维信号带宽的情况下,证明了恢复原始信号所需的最小采样率,并提出了一种可行的采样方案。
2022-10-10 eess.SP
Manifold Graph Signal Restoration using Gradient Graph Laplacian Regularizer
针对流形图上缓慢变化信号的GLR阶梯效应,本文提出GGLR,通过梯度图、GNG及PSD拉普拉斯矩阵促进分段平面重建,并在多项恢复任务中优于GLR与GTV。
2024-04-05 eess.SP
Kalman Filtering of Stationary Graph Signals
School of Mathematics and Statistics and LCSM, Hunan Normal University(湖南师范大学数学与统计学院及数学科学学院);Division of Applied Mathematical Sciences Korea University, Sejong Campus(韩国大学应用数理科学系世宗校区);Department of Mathematics, University of Central Florida(中佛罗里达大学数学系)
本文提出基于对称图位移的平稳图信号新定义,并证明多项式图信道传输白噪声可生成平稳图信号,同时证明针对多项式状态与观测矩阵动态系统的卡尔曼滤波能保持信号平稳性,提供比静态逆滤波和零信号策略更准确、自适应的估计。
2025-09-16 eess.SP
Graph Vertex Sampling with Arbitrary Graph Signal Hilbert Spaces
图顶点采样集选择的目的是选择一组图的顶点,使得仅从这些样本可以精确重构的图信号的空间是最大的。在这种情况下,我们建议扩展采样集选择的频谱代理的基础上,任意希尔伯特空间的图形信号。启用图形信号的任意内积允许随后更好地考虑图形上的顶点重要性以用于适于应用的采样。我们首先说明内积的变化如何影响采样集的选择和重建,然后将其应用于几何图形的背景下,以突出如何选择替代的内积矩阵可以帮助采样集的选择和重建。
2020-02-26 eess.SP
Blind Demixing of Diffused Graph Signals
本文针对扩散图信号混合场景,提出联合识别图滤波器并分离稀疏输入信号的盲分离方法,推导不同支撑图下的分离可行性与恢复概率界,分析单图退化情形,并通过实验验证理论结果。
2023-04-30 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
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
A Design of Denser-Graph-Frequency Graph Fourier Frames for Graph Signal Analysis
针对传统图傅里叶基频率分布不均且稀疏表示不足的问题,本文通过插入中间图频率振荡向量构建DGFFs,并提出相应图滤波方法,在图信号恢复中性能优于现有GFBs。
2025-03-17 eess.SP
Graphon Signal Processing
本文提出graphon信号处理理论,证明图傅里叶变换、图滤波器响应在图序列收敛时的极限性质,将图信号处理拓展至大规模节点图与动态图场景。
2023-12-15 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
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
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
Blind Deconvolution of Graph Signals: Robustness to Graph Perturbations
研究无向图节点信号的盲反卷积,在存在图扰动时推导出稳定恢复条件,并提出一种在盲反卷积与Stiefel流形特征基去噪间交替的收敛鲁棒算法。
2024-12-19 eess.SP
Signal-adapted decomposition of graph signals
针对图拓扑导致谱不规则的问题,提出基于集合能量谱密度并可由多项式近似估计的自适应紧框架分解方法,实现等集合能量子带划分,并在道路图和脑图上验证。
2025-02-17 eess.SP
Estimating Centrality Blindly from Low-pass Filtered Graph Signals
本文研究了图信号中心性估计的盲方法。我们的模型图形信号作为一个未知的低通图滤波器的结果,由一个稀疏的子图的影响激发。该模型与图上的许多数据生成过程兼容,包括股票数据和意见动态。基于该图信号模型,我们首先证明了基于数据协方差矩阵主成分分析的民俗学方法在图滤波器不具有足够低通时可能失效。为了补救,我们提出了一个强大的盲中心估计方法,大大提高了中心估计性能。合成和真实数据的数值结果支持我们的研究结果。
2019-10-29 eess.SP
Graph Signal Processing: Vertex Multiplication
在经典信号处理的欧几里德域上,将信号样本链接到底层坐标结构是直接的。虽然图邻接矩阵完全定义了底层图顶点之间的定量关联,但图信号处理中的主要问题是缺乏顶点与底层定量坐标结构的显式关联。为了使这个链接,我们提出了一个操作,称为顶点乘法,这是为图形定义的,可以对图形信号进行操作。顶点乘法是对时间序列信号中坐标乘法运算的推广,它可以被解释为一种为图指定坐标结构的运算符。利用微分的图域扩张和图傅里叶变换(GFT),定义了顶点乘,使其具有傅里叶对偶性,即微分和坐标乘运算在傅里叶变换下是相互独立的.所提出的定义减少到坐标乘法对应的时间序列的图形。最后给出了数值算例。
2020-07-09 eess.SP
Detecting Low Pass Graph Signals via Spectral Pattern: Sampling Complexity and Applications
针对无需已知精确图拓扑的低通图信号盲检测问题,提出利用模图上低通图信号的独特谱模式的检测方法,分析样本复杂度,展示其在多领域的应用并通过实验验证。
2024-06-21 eess.SP
Atomic Filter: a Weak Form of Shift Operator for Graph Signals
移位运算在经典的信号处理中起着至关重要的作用。它是所有滤波器的生成器,也是时频分析的基本运算,如加窗傅里叶变换和小波变换。随着互联网技术和大数据科学的快速发展,大量数据被表示为定义在图上的信号。为了建立滤波、加窗傅里叶变换和小波变换在图形信号中的应用理论,需要将经典信号的移位运算推广到图形信号中。由于图的顶点集通常不是向量空间,并且加法运算不能定义在图的顶点集上,因此这是一个基本问题。本文基于对移位运算在经典信号处理中核心作用的理解,提出了原子滤波器的概念,它可以看作是图信号移位运算的一种弱形式。然后,我们研究的条件,使原子过滤器是保范,周期性,或实保持。保实性在经典的信号处理中自然成立,但在图信号环境中这方面的研究还未见报道。在这些条件下,我们提出了图信号的正规原子滤子的概念,如果图是循环的,在温和的条件下,它退化为经典的移位算子。给出了具有或不具有正规原子滤子的图的典型例子。最后,作为应用,利用原子滤波器构造时频原子,构成图信号空间的框架。
2022-04-01 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
Identifying First-order Lowpass Graph Signals using Perron Frobenius Theorem
本文研究了从图信号中盲辨识图滤波器的问题。我们的目的是确定如果图形滤波器生成的图形信号是一阶低通,而不知道图形拓扑结构。请注意,低通图形滤波器是应用图形信号处理工具进行采样、去噪和图形学习的常见先决条件。我们的方法受到Perron Frobenius定理的启发,该定理观察到对于一阶低通图滤波器,输出协方差的顶部特征向量将是具有相同符号的元素的唯一特征向量。利用这一观察,我们开发了一个简单的检测器,回答如果一个给定的数据集是由一阶低通图滤波器。我们分析了有限样本、图的大小、观测噪声、低通滤波器的强度对检测器性能的影响。合成和真实数据的数值实验支持我们的研究结果。
2021-01-20 eess.SP
Sampling and Recovery of Graph Signals
本章的目的是给出一个概述的最新进展有关的采样和恢复的信号定义的图形。首先,我们说明了从一组选定的顶点收集的样本的带限图信号的完美恢复的条件。然后,我们描述了文献中提出的一些采样设计标准,以减轻噪声和模型失配的影响时,执行图形信号恢复。最后,我们说明了算法和最佳采样策略的自适应恢复和跟踪的动态图形信号,采样集和信号值都允许随时间变化。在合成数据和真实数据上进行的数值模拟说明了图形信号处理方法用于在不规则域上观察到的信号的采样、插值和跟踪的潜在优点,例如,技术或生物网络。
2017-12-26 eess.SP
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
Subsampling of Correlated Graph Signals
针对由图生成模型产生的相关图信号,本文提出基于可容忍误差确定采样节点数的方法和基于相关性的快速贪心选择算法,并在确定性与随机图上验证其可实现近乎完美的重构。
2024-09-06 eess.SP
Informed Graph Learning By Domain Knowledge Injection and Smooth Graph Signal Representation
本文提出一种将领域知识注入图推断过程的新方法,通过在区域供热网络传感器数据去噪与填补任务上的图信号重建实验,证明领域知识能够提升图信号重建效果。
2024-06-06 eess.SP
A Hilbert Space Theory of Generalized Graph Signal Processing
图信号处理(GSP)已成为图像处理、网络学习和社交网络数据分析等领域的重要工具。在本文中,我们提出了一个更广泛的框架,不仅包括传统的GSP作为一个特殊的情况下,但也包括一个混合框架的图形和经典的信号处理在一个连续的域。我们的框架广泛依赖于概念和工具,从功能分析,推广传统的GSP图形信号在一个可分离的希尔伯特空间与无限的维度。我们发展了一个类似于广义GSP的傅里叶变换的概念,以及对这类信号进行滤波和采样的理论。
2019-09-16 eess.SP
On Random Sampling of Diffused Graph Signals with Sparse Inputs on Vertex Domain
本文针对稀疏输入扩散生成的非平滑图信号,建立了随机采样唯一恢复的充分条件,并针对两类二元图模型给出更紧致的采样数估计,同时提出自适应变密度采样策略以提升恢复性能。
2024-12-28 eess.SP
Recovery of Graph Signals from Sign Measurements
采样和插值技术已经得到了广泛的研究,以便从顶点子集上的信号值重建或估计整个图信号,其中大多数成果是关于连续信号的。而在许多信号处理任务中,信号并没有被完全观察到,只有信号的符号是可用的,例如评级系统可能只提供几个简单的选项。讨论了基于符号采样的带限图信号重构问题,提出了一种贪婪采样策略。通过仿真实验,将贪婪采样算法与随机采样算法进行了比较,验证了该方法的有效性。
2021-09-26 eess.SP
Adaptive Sign Algorithm for Graph Signal Processing
高效、健壮的不规则结构数据在线处理技术在当今数据丰富的时代至关重要。在本文中,我们提出了一个图/网络版本的经典自适应符号算法在线图信号估计下的脉冲噪声。最近提出的图自适应最小均方算法在非高斯脉冲噪声下不稳定,计算复杂度高。在这项工作中提出的图形符号算法是基于最小色散准则,因此脉冲噪声不会妨碍其估计质量。与最近提出的图形自适应最小均值p次幂算法不同,我们的图形符号算法可以在没有噪声分布的先验知识的情况下操作。与现有的自适应图信号处理算法相比,该算法计算复杂度低,具有更快的运行时间。实验上的稳态和时变图信号估计利用频谱特性的带宽和采样,图形符号算法表现出快速,稳定,鲁棒的图形信号估计性能下的脉冲噪声建模阿尔法稳定,柯西,学生的t,或拉普拉斯分布。
2022-01-15 eess.SP
Task-Based Graph Signal Compression
图形信号出现在各种应用中,从传感器网络到社交媒体数据。这些信号的高维性质意味着它们通常需要被压缩以便被存储和传输。图形信号压缩的通用框架是基于采样,从而产生一组连续幅度样本,这些样本又必须被量化为有限位表示。在这项工作中,我们研究了图形信号采样与量化的联合设计,用于图形信号压缩。我们专注于带限图信号,并表明,压缩问题可以表示为一个基于任务的量化设置,其中的任务是恢复信号的频谱。基于这种等价性,我们提出了一个联合设计的采样和恢复机制,为一个固定的量化映射,并提出了一个迭代算法,用于划分可用的比特预算之间的离散化样本。此外,我们展示了如何使用图过滤器相结合的元素对应的图形的相邻节点,从而有利于分布式实现,降低复杂性,可以实现所提出的方法。我们对合成和真实世界数据的数值评估表明,联合采样和量化方法产生了一个紧凑的高维图形信号的有限位表示,它允许重建的原始信号的精度在一个小的差距内,实现无限分辨率的量化器。
2021-10-24 eess.SP
Joint Forecasting and Interpolation of Graph Signals Using Deep Learning
我们解决的问题,预测网络信号快照使用过去的信号测量网络节点的一个子集。这个任务可以看作是多变量时间序列预测和图形信号插值的组合。这是许多应用的基本问题,其中部署高粒度网络是不切实际的。我们的解决方案将递归神经网络与来自图信号处理的频率分析工具相结合,并假设数据相对于底层图足够平滑。所提出的方法优于最先进的深度学习技术,特别是当只有一小部分图信号可访问时,考虑到两个不同的现实世界数据集:美国的温度和西雅图的速度流。实验结果还表明,该方法可以处理噪声信号和缺失数据,适用于许多实际应用。
2020-06-02 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-signal Reconstruction and Blind Deconvolution for Structured Inputs
成功处理复杂的当代数据集的关键是开发易于处理的模型,这些模型可以解释手头信息的不规则结构。本文提供了一个全面和统一的观点,几个采样,重建和恢复问题的信号定义在不规则的域,可以准确地表示由一个图形。主力假设是,(部分)观察到的信号可以被建模为一个图形滤波器的输出到一个结构化的(简约)输入图形信号。当输入或滤波器系数已知时,这等同于假设感兴趣的信号存在于由支持图定义的子空间上。当两者都未知时,模型变为双线性。在对输入或滤波器系数施加不同的先验和附加结构时,出现了广泛的相关问题公式。然后,目标是利用这些先验、支持图的移位算子和感兴趣的信号的样本来恢复:非采样节点处的信号(图-信号插值)、输入(反卷积)、滤波器系数(系统辨识)或其任何组合(盲反卷积)。
2021-06-01 eess.SP
Learning Product Graphs from Two-dimensional Stationary Signals
Rey Juan Carlos University(雷伊胡安卡洛斯大学);Delft University of Technology(代尔夫特理工大学)
本文提出从二维信号中学习图的框架,通过联合滤波捕捉结构依赖,提升估计精度和计算效率。
2026-05-07 eess.SP
Bayesian Convolutional Neural Networks for Prior Learning in Graph Signal Recovery
Bu-Ali Sina University(布阿里·西那大学);Qom University of Technology (QUT)(库姆理工大学)
本文提出 BCNN-GSR 方法,利用贝叶斯卷积神经网络从数据中学习图信号先验,并结合变分贝叶斯推理实现准确、鲁棒且计算高效的大规模图信号恢复。
2025-09-23 eess.SP
Graphon Filters: Graph Signal Processing in the Limit
图信号处理是一个新兴的领域,其目的是对存在于网络节点上的过程进行建模,并通过在该结构上的扩散来解释。迄今为止,图形信号处理工作已经假定了图形移位算子的知识。我们的方法是调查图过滤的问题,我们只知道一个模型的图。为此,我们利用L. Lovasz和B.塞格迪我们对图形信号处理这一新兴领域做出了三个重要贡献。我们首先证明,过滤器定义的缩放邻接矩阵的随机图从一个graphon收敛到过滤器定义的Fredholm积分算子的graphon作为其内核。其次,利用Fredholm积分方程数值解理论的经典发现,我们定义了Fourier-Galerkin移位算子。最后,使用傅里叶-伽辽金移位算子,我们推导出一个图滤波器的设计算法,它只依赖于图子,因此只依赖于图的概率结构,而不是特定的图本身。通过对各种随机图模型的仿真,验证了所推导的图子滤波算法。
2020-03-04 eess.SP
On Critical Sampling of Time-Vertex Graph Signals
联合时间-顶点图信号在现实世界中普遍存在。本文主要研究联合时间-顶点图信号的采样与重构的基本问题。分别在时域和图域用最小样本数证明了临界抽样集的存在性和必要条件。本文提出的理论建议在最小资源的约束下,为网络中的每个节点分配异构的采样模式。文中还给出了一种构造临界抽样集的有效算法。
2019-11-19 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
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
Signal processing with a distribution of graph operators
在本文中,我们开发了一个信号处理框架的网络没有明确的知识的网络拓扑。相反,我们利用网络上运营商分布的知识。这使得框架灵活和有用的时候,准确的知识图拓扑结构是不可用的。此外,通常的图形信号处理是我们的框架的一个特殊情况下,通过使用德尔塔分布。该理论的主要内容包括傅里叶变换、滤波理论和采样理论。
2020-12-11 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
Observing and Tracking Bandlimited Graph Processes
图形信号处理中最关键的挑战之一是带限图形信号的采样,即,在定义良好的图形傅立叶域中稀疏的信号。到目前为止,现有技术主要集中在对图形信号的单个快照进行(子)采样,而忽略了它们随时间的演变。然而,时间可以带来新的见解,因为许多真实的信号,如传感器测量,生物,金融和网络信号,在这两个领域都具有内在的相关性。在这项工作中,{我们填补了这个空白},共同考虑图形信号的图形时间性质,命名为\emph{graph processes}的两个主要任务:\emph{i)}可观测性的图形过程;和\emph{ii)}跟踪图形过程通过卡尔曼滤波;都从一个(可能随时间变化)的节点子集。一个详细的数学分析批准所提出的方法,并提供了洞察所扮演的角色,如图形拓扑结构,过程带宽,和采样策略的不同演员。此外,(次)最佳采样策略,共同利用的图形结构和图形过程的性质。几个数值试验的合成和真实数据验证了我们的理论研究结果,并说明了所提出的方法在处理时变图形信号的性能。
2018-10-19 eess.SP
Robust Time-Varying Graph Signal Recovery for Dynamic Physical Sensor Network Data
针对传感器网络时变性场景,提出一种时变图信号恢复方法,通过构建约束凸优化问题并结合原始对偶分裂算法求解,在模拟及真实数据上表现优于现有方法。
2024-12-01 eess.SP
Eigendecomposition-Free Sampling Set Selection for Graph Signals
本文讨论了图上信号的最优采样集的选择问题。建议的采样集选择(SSS)是基于一个本地化运营商,可以考虑顶点域和频谱域本地化。我们澄清了所提出的方法,机器学习中的传感器位置选择方法,和传统的SSS方法的基础上图频率之间的关系。与传统的基于图信号处理的方法相比,所提出的方法不需要计算变分算子的特征分解,同时仍然考虑(图)频率信息。我们通过比较预测误差和执行时间来评估我们的方法的性能。
2020-03-10 eess.SP
Non-Bayesian Estimation Framework for Signal Recovery on Graphs
图形信号产生于物理网络,例如电力和通信系统,或者作为具有复杂结构的数据的方便表示的结果,例如社交网络。我们考虑的问题一般图形信号恢复噪声,损坏,或不完整的测量和结构参数的约束下,如在图形频域的平滑度。在本文中,我们制定的图信号恢复作为一个非贝叶斯估计问题下的加权均方误差(WMSE)标准,这是基于二次形式的拉普拉斯矩阵的图和它的轨迹WMSE是Dirichlet能量的估计误差w.r.t.图表。基于拉普拉斯的WMSE根据估计误差的图形频谱内容来惩罚估计误差,并且是基于差分的代价函数,其考虑了在许多情况下在图形上的信号恢复只能达到恒定加数的事实。我们在基于Laplacian的WMSE上建立了一个新的Cramér-Rao界(CRB),并给出了相应的Lehmann无偏性条件w.r.t.图表。本文讨论了图CRB和估计方法的基本问题:1)线性高斯模型与相对测量; 2)带限图信号恢复。我们开发的采样分配策略,优化传感器在网络中的位置,这些问题的基础上提出的图CRB。随机图和电力网络数据的数值模拟被用来验证图CRB和采样策略的性能。
2021-01-24 eess.SP
Orthogonal Transforms for Signals on Directed Graphs
在本文中,我们考虑的问题定义的信号变换有向图,具体集中在有缺陷的图形,相应的图形运算符不能对角化。我们所提出的方法是基于Schur分解,并导致一系列的嵌入式不变子空间的正交基。与扩散小波相比,我们的方法在子空间的生成方面更加灵活,但这些子空间只能是近似正交的。
2021-10-15 eess.SP
Graph Signal Sampling Under Stochastic Priors
本文针对随机图信号提出广义采样框架,设计校正滤波器以最小化重建均方误差,支持任意采样方法,并通过实验验证其有效性。
2022-11-24 eess.SP
Grid-Graph Signal Processing (Grid-GSP): A Graph Signal Processing Framework for the Power Grid
本文的基本主题是通过图形信号处理(GSP)的镜头探索电力系统数据的各个方面,奠定了网格GSP框架的基础。网格-GSP提供了一个解释的电压相量测量的时空属性,通过显示如何著名的电力系统建模支持生成低通图滤波器模型的状态变量,即电压相量。使用该模型,我们正式的经验观察,电压相量测量数据位于一个低维的子空间,并将其时空结构发电机电压动态。网格GSP生成模型,然后成功地调查有关网格的数据采样和插值,网络推理,异常检测和数据压缩的问题。模拟得克萨斯州,ACTIVSg 2000的真实网格,并在ISO-新英格兰的真实世界的测量上的一个大型合成网格的数值结果验证了网格-GSP方法应用于电网数据的有效性。
2021-03-10 eess.SP