A Fast Iterative Algorithm for Recovery of Sparse Signals from One-Bit Quantized Measurements
本文研究了从一位量化测量值重构稀疏或可压缩信号的问题。我们研究了一种新的方法，使用对数和罚函数，也被称为高斯熵，稀疏信号恢复。此外，在所提出的方法中，sigmoid函数被引入到量化之间的一致性的采集一位量化的数据和重建的测量。通过迭代地最小化约束原始目标函数的凸代理函数来开发快速迭代算法，这导致在估计稀疏信号和细化代理函数的权重之间交替的迭代重新加权过程。所提出的算法和其他现有的方法之间的连接进行了讨论。数值结果表明了该算法的有效性。
2012-10-16 cs.IT math.IT
Uplink Data Detection Analysis of 1-Bit Quantized Massive MIMO
本文提出了一种分析框架，在大规模多输入多输出上行链路系统中的数据检测与1位模数转换器（ADC）。考虑到单用户的情况下，我们提供了封闭形式的表达式的期望值和方差的估计符号时，采用最大比合并在基站（BS）随着其渐近行为在高信噪比（SNR）。这些结果被利用，以提高最大似然检测的性能，考虑到分散的估计符号的期望值。相对于BS天线的数量、SNR和用于信道估计的导频长度来评估具有1比特ADC的符号出错率。所提出的分析突出了一个基本的SNR权衡，根据该权衡，在正确的SNR下操作可以大大提高数据检测精度。
2021-07-26 cs.IT eess.SP math.IT
Doubly 1-Bit Quantized Massive MIMO
本文研究发射端和接收端均采用1比特DAC/ADC的全数字大规模MIMO系统，基于Bussgang分解推导MSE近似，证明超大天线阵列下该系统仍具有优异性能。
2023-12-04 cs.IT eess.SP math.IT
ADMM-Based One-Bit Quantized Signal Detection for Massive MIMO Systems with Hardware Impairments
本文研究了大规模多输入多输出（MIMO）系统中的信号检测问题，该系统具有一般的加性硬件损伤和一比特量化。首先，我们通过将它们概括为所考虑的硬件损伤模型来呈现量化未知和基于Bussgang分解的线性接收机。我们提出了一个优化问题来估计上行链路数据信号，通过选择一个合适的代价函数，处理在基站的未量化的接收信号作为变量。我们利用额外的结构的一位量化和信号调制，包括适当的约束。针对非凸二次约束二次规划问题，提出了一种基于ADMM的封闭更新方程算法。然后，我们将更新中的粗糙投影仪替换为它们的软版本，以提高检测性能。我们表明，建议的ADMM为基础的算法优于国家的最先进的线性接收机显着的误比特率（BER）和性能增益增加的天线和用户的数量。
2020-02-05 cs.IT eess.SP math.IT
Efficient Non-linear Equalization for 1-bit Quantized Cyclic Prefix-Free Massive MIMO Systems
针对大规模多输入多输出（MIMO）基站，利用1位模数转换器（ADC）量化上行信号的数据检测问题。量化的大规模MIMO系统的现有文献处理循环前缀（CP）传输频率选择性信道。在本文中，我们提出了一个计算效率的块处理均衡器的基础上的期望最大化（EM）算法在CP免费传输的1比特量化系统。我们研究的最佳块长度和重叠因子的信道脉冲响应（CIR）长度的基础上的比特错误率（BER）性能指标。由于EM是一种非线性算法，最优估计是根据算法的初始起始点迭代地找到的。通过数值模拟，我们表明，初始化的EM算法与维纳滤波器（WF）的估计，这需要考虑到潜在的量化，实现优越的BER性能相比，与其他起始点的初始化。
2018-06-28 cs.IT math.IT
Reconsidering Linear Transmit Signal Processing in 1-Bit Quantized Multi-User MISO Systems
在这篇文章中，我们研究了一个粗量化的多用户（MU）-多输入单输出（MISO）下行链路通信系统，其中我们假设在基站（BS）天线1位数模转换器（DAC）。首先，我们使用Bussgang分解分析可实现的和速率下限。在存在非线性量化的情况下，我们的分析表明在粗量化系统中重新考虑传统信号处理技术的潜在优点，即，重新考虑秩等于信道秩的发射协方差矩阵。此外，在本文的第二部分中，我们提出了一个线性预编码器的设计，实现了预测的性能增加相比，最先进的线性预编码器的设计。此外，我们的线性信号处理算法允许采用高阶调制方案。
2018-02-28 cs.IT math.IT
Analysis of One-Bit Quantized Precoding for the Multiuser Massive MIMO Downlink
我们提出了一个数学分析的线性预编码器的下行链路大规模MIMO多用户系统，采用一位数-模转换器在基站，以降低复杂性和减轻功耗。该分析基于Bussgang定理，并且通常适用于任何线性预编码方案。我们详细研究的量化迫零（ZF）预编码器的特殊情况下，并推导出一个简单的渐近表达式在每个终端的符号出错率。我们的分析表明，量化ZF预编码器的性能主要取决于天线数量与用户数量的比率，并且我们的模拟表明，对于低到中等的信噪比，它可以优于更复杂的最大似然编码器，其中假定大规模MIMO系统进行操作。我们还使用Bussgang定理推导出一个新的线性预编码器优化的情况下，一位量化，并说明其改进的性能。
2016-10-21 cs.IT math.IT
Quantized Precoding and RIS-Assisted Modulation for Integrated Sensing and Communications Systems
在本文中，我们提出了一种新的可重构智能表面（RIS）辅助通感一体化（ISAC）系统与1位量化在ISAC基站。在ISAC系统中引入RIS，以减轻粗量化的影响，并实现感测和通信功能之间的共存。具体来说，我们设计发射预编码器以获得具有所需辐射图案的1位感测波形。然后，RIS相移被设计为调制1比特感测波形以向用户发送M进制相移键控符号。通过数值模拟，我们表明，所提出的方法提供了显着改善的符号错误概率相比，MIMO通信系统具有量化的线性预编码器，同时仍然提供可比的传感性能作为未量化的传感系统。
2022-11-03 cs.IT eess.SP math.IT
High Rate Communication over One-Bit Quantized Channels via Deep Learning and LDPC Codes
本文提出了一种将已知编码方案与自编码器相结合来设计纠错码的方法。具体来说，我们将LDPC码与一个训练有素的自编码器开发的纠错码的棘手的非线性信道。LDPC编码器缩小了自编码器的输入空间，使自编码器更容易学习。所提出的纠错码显示出有前途的结果为一位量化，一个具有挑战性的情况下，非线性信道。具体地，我们的设计给出了瀑布斜率比特出错率，即使对于诸如16-QAM和64-QAM之类的高阶调制格式，尽管是一比特量化。该增益在理论上是通过证明训练的自编码器向LDPC解码器提供近似高斯分布的数据来实现的，即使接收到的信号由于一比特量化而具有非高斯统计。
2020-02-28 cs.IT math.IT
Uplink Achievable Rate in One-bit Quantized Massive MIMO with Superimposed Pilots
在这项工作中，我们考虑一个1比特量化的大规模MIMO信道叠加导频（SP）计划，被称为QSP。利用线性最小均方误差（LMMSE）信道估计器和最大比合并（MRC）接收机在BS，我们得到了一个近似的可达速率的下限。当优化导频和数据功率时，在封闭形式的解中获得使数据率最大化的最优功率分配。虽然有量化和未量化的系统之间的性能差距，它示出，这种差距逐渐减小的BS天线的数量是渐近大。此外，我们表明，导频从接收信号中删除使用信道估计不会导致信息的显着增加，特别是在低信噪比（SNR）和大量用户的情况下。我们提出了一些数值结果来证实我们的分析结果和见解提供了进一步探索量子化系统的SP。
2018-04-25 cs.IT math.IT
Performance Bounds for Vector Quantized Compressive Sensing
在本文中，我们努力预测量化压缩感知的性能下使用稀疏重建估计。我们假设使用高速率矢量量化器来对有噪声的压缩感测测量矢量进行编码。利用块稀疏源模型，我们使用高斯混合密度建模的源的分布。这使我们能够制定一个最佳速率分配问题的矢量量化器。考虑到噪声CS量化测量，我们分析了上界和下界的重建误差性能保证的两个估计器-凸松弛基追踪去噪估计器和Oracle辅助的最小二乘估计器。
2014-04-30 cs.IT math.IT
On Optimal MMSE Channel Estimation for One-Bit Quantized MIMO Systems
本文针对单比特量化MIMO系统，提出基于正交概率计算MMSE信道估计器的新框架，并给出BLMMSE估计器最优的充要条件，推导大维度下的解析表达式以比较两者性能。
2025-01-22 cs.IT eess.SP math.IT
Signal Recovery From 1-Bit Quantized Noisy Samples via Adaptive Thresholding
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文提出了一种高效的信号恢复方法，能够在白噪声或彩色噪声污染的1位测量中准确估计目标信号，通过自适应量化阈值法提供统一框架处理任意协方差矩阵的噪声，包括彩色噪声。
2018-12-10 cs.IT cs.SY eess.SP
Cascaded Channel Estimation for IRS-assisted Mmwave Multi-antenna with Quantized Beamforming
在这封信中，我们优化的级联信道的信道估计器在智能反射面（IRS）辅助毫米波（mmWave）多天线系统。在该系统中，接收端采用了量化波束形成的混合结构。与传统的多输入多输出（MIMO）系统不同，由于IRS通常是一个无源阵列，信号处理能力有限，因此信道估计的设计具有挑战性。我们推导出优化的信道估计器在一个封闭的形式重新制定的级联信道估计在这个系统中的问题，利用典型的均方误差（MSE）标准。考虑到毫米波信道中可能存在的信道稀疏性，我们通过利用信道稀疏性进一步提高性能和降低计算复杂性来推广所提出的方法。仿真结果表明，所提出的估计器显着优于现有的。
2020-10-02 cs.IT eess.SP math.IT
Green One-Bit Quantized Precoding in Cell-Free Massive MIMO
本文针对无蜂窝大规模MIMO系统的高功耗问题，提出一种基于符号向量结构动态停用天线的绿色一位量化预编码算法，在降低功耗的同时性能优于SQUID和RZF等现有方法。
2025-09-20 cs.IT eess.SP math.IT
Hybrid Precoder and Combiner Design with One-Bit Quantized Phase Shifters in mmWave MIMO Systems
模拟/数字混合预编码器和合路器由于其节能和经济的优势，在毫米波多输入多输出（MIMO）系统中得到了广泛应用。无限分辨率的移相器（PS）的模拟波束形成器可以实现非常接近的性能相比，全数字方案，但会导致高复杂性和密集的功耗。因此，在实际的毫米波MIMO系统中通常使用更具成本效益和能量效益的低分辨率PS。在本文中，我们考虑了毫米波MIMO系统中的联合混合预编码器和合并器的设计与一位量化PS。我们建议首先设计的模拟预编码器和合并器对每个数据流相继，旨在有条件地最大化频谱效率。本文提出了一种新的二进制模拟预编码器和合并器优化算法，该算法在含干扰等效信道的秩1近似下，具有低于二次复杂度的性能。然后，基于所获得的基带有效信道来计算数字预编码器和组合器，以进一步提高频谱效率。仿真结果表明，该算法优于现有的基于1比特PS的混合波束形成方案。
2017-04-26 cs.IT math.IT
Variational Bayesian algorithm for quantized compressed sensing
压缩感知（Compressed Sensing，CS）是在稀疏先验下从高维信号的低维线性测量中恢复高维信号的算法，在实际应用中，测量数据的数字量化是不可避免的。在现有的文献中，量化误差通常被建模为加性噪声，并且使用不同的处理方法和程序分别处理多比特和1比特量化CS问题。本文提出了一种新的基于变分贝叶斯推理的压缩感知算法，它统一了多比特和1比特压缩感知处理，适用于无噪/有噪环境和量化器不饱和/饱和的各种情况。通过将量化误差与测量噪声解耦，量化误差被建模为随机变量并且与被恢复的信号联合估计。这种新的量化误差的表征结果在优越的性能的算法，这是证明了广泛的模拟与国家的最先进的方法相比，多位和1位CS问题。
2013-03-29 cs.IT math.IT
Quantum Approximate Optimization Algorithm for MIMO with Quantized b-bit Beamforming
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；University of Cyprus（塞浦路斯大学）
本文提出用QAOA和交替优化解决MIMO中b比特量化波束赋形这一NP难问题，首次建立相移到量子旋转门的理论联系，并引入暖启动提升效率，数值验证优于经典基准。
2025-10-07 cs.ET cs.IT math.IT
SLNR Based Precoding for One-Bit Quantized Massive MIMO in mmWave Communications
大规模多输入多输出（MIMO）是5G无线通信的关键技术，有望大幅提高容量。低分辨率数据转换器的使用对于大规模MIMO至关重要，以使整体传输尽可能具有成本效益和能源效益。在这项工作中，我们考虑了下行毫米波（mmWave）传输的情况下，多个用户同时服务的大规模MIMO与一位数/模（D/A）转换器。特别是，我们提出了一种新的预编码器设计的基础上的信号泄漏加噪声比（SLNR），最大限度地减少能量泄漏到不需要的用户，同时考虑到由于非线性一位量化的损害。我们表明，众所周知的正则化迫零（RZF）预编码器是一个特定版本的建议SLNR为基础的预编码器，这是当量化损伤完全忽略。数值结果强调显着的性能改善，以及所提出的SLNR为基础的预编码器相比，无论是RZF或迫零（ZF）预编码器。
2019-02-12 cs.IT math.IT
Robust Learning-Based ML Detection for Massive MIMO Systems with One-Bit Quantized Signals
在本文中，我们研究了基于学习的最大似然（ML）检测的上行链路大规模多输入多输出（MIMO）系统与一位模数转换器（ADC）。为了克服基于学习的检测对训练长度的显著依赖性，我们提出了两种一位ML检测方法：偏置学习方法和抖动学习方法。偏置学习方法保持具有零概率的似然函数不通过学习消除所获得的信息，从而提供更鲁棒的检测性能。将有偏方法扩展到具有接收信噪比的知识的系统，抖动和学习方法通过将抖动噪声添加到量化器输入来估计更多的似然函数。通过采用后似然函数更新，利用正确解码的数据符号作为训练导频符号，进一步改进了所提出的方法。所提出的方法避免了对信道估计的需要。仿真结果验证了所提方法在符号出错率方面的检测性能。
2019-08-26 cs.IT math.IT
Capacity Analysis of One-Bit Quantized MIMO Systems with Transmitter Channel State Information
随着新兴无线系统中带宽达到千兆赫量级，高分辨率模数转换器（ADC）成为功耗瓶颈。一种解决方案是采用低分辨率1位ADC。在本文中，我们分析了平坦衰落多输入多输出（MIMO）信道与一位ADC。假设信道状态信息在发射机和接收机处都是已知的。对于多输入单输出信道，我们推导了精确的信道容量。对于单输入多输出MIMO信道，得到了无限信噪比下的容量，并给出了有限信噪比下的容量上界，当信道满秩时，该上界是紧的。此外，我们提出了一种有效的方法来设计输入符号以接近容量实现解决方案。我们将毫米波信道特性，并找到无限的SNR容量的界限。结果显示了路径的数量和接收天线的数量如何影响容量。
2015-11-06 cs.IT math.IT
Analysis of One-Bit Quantized Linear Precoding Schemes in Multi-Cell Massive MIMO Downlink
本研究分析多小区一比特大规模MIMO下行链路中MRT和ZF预编码的性能，通过Bussgang分解推导SQINR和可达速率，发现一比特量化降低SQINR，且对传统系统影响更大，并探讨了功率和能量效率。
2023-12-23 cs.IT math.IT
Is Phase Shift Keying Optimal for Channels with Phase-Quantized Output?
本文建立了相位量化输出加性高斯白噪声（AWGN）信道的容量。我们表明，旋转的$2^b$相移键控方案是容量实现的输入分布与$b$位相位量化的复杂AWGN信道。然后使用该结果来建立作为平均功率约束$P$和量化比特$b$的函数的信道容量的表达式。在瑞利衰落的情况下，当信道状态信息（CSI）仅在接收端已知时，研究了相位量化系统的中断性能。我们的研究结果表明，存在一个阈值的速率$R$，超过该中断指数的中断概率突然改变。事实上，中断指数中的这种阈值效应导致$2^b$ -PSK在高SNR下具有次优中断性能。
2021-05-05 cs.IT eess.SP math.IT
Hamming Compressed Sensing
压缩感知（CS）和1比特CS不能直接恢复量化信号，并且需要耗时的恢复。在本文中，我们介绍了\textit{Hamming compressed sensing}（HCS），直接恢复一个k比特量化的信号的尺寸$n$从其1比特的测量，通过调用$n$倍的Kullback-Leibler散度为基础的最近邻搜索。与CS和1位CS相比，HCS允许信号是密集的，需要相当少的（线性）恢复时间，并且需要显著更少的测量（$\mathcal O(\log n)$）。此外，HCS恢复可以加速随后的1比特CS解量化器。研究了HCS在一般信号下的量化恢复误差界和稀疏信号下的“HCS+反量化器”恢复误差界。大量的数值模拟验证了吸引人的精度，鲁棒性，效率和一致性的HCS。
2011-10-10 cs.IT math.IT
Learning-Based One-Bit Maximum Likelihood Detection for Massive MIMO Systems: Dithering-Aided Adaptive Approach
针对高SNR下一比特MIMO系统似然估计需大量训练的问题，提出一种基于学习的自适应抖动辅助最大似然检测框架，无需显式信道估计即可提升未编码与编码系统性能。
2024-03-22 cs.IT eess.SP math.IT
Near-Field Localization with $1$-bit Quantized Hybrid A/D Reception
针对配备超大DMA和1比特ADC的混合A/D接收机近场UE定位问题，提出通过扫描模拟合并配置并定位伪谱峰值实现三维位置估计的方法。
2024-01-22 cs.ET cs.IT math.IT
Bit Density Based Signal and Jamming Detection in 1-Bit Quantized MIMO Systems
本文研究了缺席判决问题（即，无效假设，$\mathcal{H}_0$）或存在（即，备选假设，$\mathcal{H}_1$），该备选假设是在多输入多输出（MIMO）接收机中嵌入在接收信号中的未知信号。我们的解决方案的独创性在于量化接收到的信号由一个自适应的1位窗口比较器，而不是传统的1位量化器。这使我们能够将观察到的二进制序列的空间分成两个典型的集合（w.r.t.序列中1的数目的分布），其中第一组对应于$\mathcal{H}_0$，第二组对应于$\mathcal{H}_1$。因此，我们减少了检测问题，以确定一个观察到的序列的高度可能的设置。因此，提出了一种非常低复杂度的二元假设检测器，并给出了其检测概率。为了显示所提出的1位接收器结构的高效率，我们考虑两个无线应用;在大规模MIMO系统中的干扰检测，以及在无线传感器网络（WSN）中探测非平稳低功率发射器，假设未知的瑞利衰落信道。与采用卡方检验的未量化系统相比，它示出了在大规模MIMO中的性能损失可以大致与$10\%$一样大，并且该差距随着序列长度或/和干扰功率的增加而减小。对于无线传感器网络，我们表明，与未量化的系统相比，性能差距变得更小时，观察间隔扩展到几个符号。
2021-09-06 cs.IT math.IT
On the Equivalence of Maximum SNR and MMSE Estimation: Applications to Additive Non-Gaussian Channels and Quantized Observations
最小均方误差（MMSE）是贝叶斯估计最常用的准则之一。相反，信噪比（SNR）是通信、雷达和一般检测理论中的典型性能标准。在本文中，我们首先形式化的SNR准则设计的估计，然后我们证明存在一个等价的MMSE和最大信噪比估计，任何统计量。我们还将这种等价性扩展到特定类的次优估计，这是表示的基础扩展模型（BEM）。然后，通过利用一个正交的BEM的估计，我们推导出的MMSE估计约束到一个给定的量化分辨率的噪声观测，我们证明，这种次优MMSE估计往往是最佳的MMSE估计，使用一个无限的分辨率的观察。此外，我们推导出封闭形式的表达式的均方误差（MSE）和SNR的建议的次优估计，我们表明，这些表达式构成紧密的，渐近精确的，最佳MMSE和最大SNR的界限。
2016-05-19 cs.IT math.IT
Linear signal recovery from $b$-bit-quantized linear measurements: precise analysis of the trade-off between bit depth and number of measurements
我们考虑的问题，恢复一个高维结构化的信号从独立的高斯线性测量，其中每个被量化到$b$位。我们的兴趣是在线性方法来信号恢复，其中“线性”意味着，从量化产生的非线性被忽略，并观察被视为，如果他们从一个线性测量模型。具体而言，重点是由于计划和Vershynin [ \emph{IEEE~Trans. Inform. Theory, \textbf{59} (2013), 482--494} ]的一位观测的方法的推广。在本文件的核心是一个精确的表征之间的最佳权衡的数量的测量$m$和每测量$b$的位深度给定的总预算的$B = m \cdot b$位时，目标是最小化的$\ell_2$ -错误估计信号。事实证明，选择$b = 1$对于估计与量化之前的任何加性高斯噪声水平以及对抗性噪声的特定模型的信号相对应的单位向量（方向）是最佳的，而选择$b = 2$对于估计信号的方向和范数（尺度）是最佳的。此外，最大量化是一个最佳的量化方案w.r.t. $\ell_2$ -估计误差。我们的分析是证实了数值实验显示与我们的理论预测几乎完美的协议。该文件是补充的经验比较，考虑到量化产生的非线性信号恢复的替代方法。该比较的结果指出了取决于噪声水平的制度变化：在低噪声环境中，线性信号恢复低于更复杂的竞争对手，而在中等和高噪声环境中具有竞争力。
2016-07-09 cs.IT math.IT stat.ME
Quantized Low-Rank Quantum State Tomography: Hyperbolic Quantization and Riemannian Least-Squares Recovery
University of Central Florida（中佛罗里达大学）；Michigan State University（密歇根州立大学）；Wuhan University（武汉大学）
该研究针对有限比特泡利批量响应的低秩量子态层析问题，提出HyperQuant量化器与QuantRGD方法，建立相关恢复保证与比特- shots权衡，通过实验验证其有效性。
2026-08-31 cs.IT math.IT quant-ph
Compressed and quantized correlation estimators
在使用传感器网络的被动监测中，低能量供应极大地限制了传感器的计算和通信能力。在这种情况下，考虑到这些约束条件的传感器级设计处理算法是一个重要的问题。在这里，我们研究的传感器之间的相关函数的估计，使用压缩采集和一位量化。该估计直接使用压缩样本来实现，而不考虑信号的任何重构。我们表明，如果感兴趣的信号是远离白噪声，使用$M$压缩样本的相关性估计出的$N\geq M$可以更有利的相关性估计使用$M$连续样本。分析包括研究在一个固定的压缩率的估计的渐近性能。我们提供的分析时，压缩是由一个随机的投影矩阵组成的独立和同分布的条目。该框架包括广泛使用的随机投影矩阵，如高斯和伯努利矩阵，它还包括非常稀疏的矩阵。但是，它不包括不替换的二次抽样，对此提供了单独的分析。当也考虑一比特量化时，理论分析不容易处理。然而，经验证据允许的结论是，在实际情况下，压缩和量化的估计量的行为足够正确，是有用的，例如，时间延迟估计和模型估计。
2015-11-20 cs.IT math.IT stat.AP
Channel Estimation and Uplink Achievable Rates in One-Bit Massive MIMO Systems
本文考虑了一个大规模的多输入多输出（MIMO）系统的上行链路的信道估计和可达到的速率，其中基站配备了一位模数转换器（ADC）。通过使用线性表达式重写非线性一比特量化，我们首先推导出线性最小均方误差（LMMSE）信道估计器的简单而有见地的表达式。然后，采用这种信道估计器，我们推导出一个封闭形式的表达式的最大比合并器（MRC）接收机的可达速率的下限。数值结果验证了我们的分析，并表明我们提出的LMMSE信道估计优于近最大似然（nML）估计先前提出的。
2016-08-19 cs.IT math.IT
Quantized Compressed Sensing by Rectified Linear Units
本文研究了从少量的量化测量中恢复属于低复杂度凸集的高维信号$\mathbf{x} \in \mathbb{R}^n$的问题。我们建议通过一个凸规划的基础上整流线性单元（ReLU）的两种不同的量化方案，即一位和均匀多位量化的信号估计。假设线性测量过程可以通过具有i.i.d.亚高斯行，我们获得两个方案的近最佳的均匀重建保证，通过添加精心设计的噪声的线性测量之前的量化步骤。在一位的情况下，我们表明，该计划是强大的对抗位腐败以及线性测量的加性噪声。此外，我们的分析精确地量化了程序的率失真关系如何变化，这取决于我们是否寻求高于或低于本底噪声的重建精度。证明依赖于最近的结果Dirksen和Mendelson的非高斯超平面镶嵌。最后，我们补充我们的理论分析与数值实验比较，我们的方法与其他国家的最先进的方法。
2021-03-26 cs.IT math.IT math.PR
One-Bit Quantization Design and Adaptive Methods for Compressed Sensing
已经有许多关于从一位量化测量恢复稀疏信号的研究。然而，很少有人注意到量化阈值的选择及其对信号恢复性能的影响。本文探讨了一位量化器的稀疏信号恢复设计的问题。我们的分析表明，以往困扰传统的一位压缩感知方法的幅度模糊性可以得到解决，并且可以通过设置量化阈值足够接近原始数据样本而无需量化来实现任意小的重建误差。注意，未量化的数据样本实际上是不可访问的。为了克服这个困难，我们提出了一种自适应量化方法，自适应地调整量化阈值的方式，使阈值收敛到最佳阈值。数值实验结果表明了本文的理论结果和算法的有效性.
2013-05-18 cs.IT math.IT
Bayesian hypothesis testing for one bit compressed sensing with sensing matrix perturbation
这封信提出了一个低计算的贝叶斯算法噪声稀疏恢复的上下文中的一位压缩感知与感知矩阵扰动。所提出的算法被称为BHT-MLE包括一个稀疏支持检测器和一个幅度估计器。支持检测器使用贝叶斯假设检验，而幅度估计器使用通过求解凸优化问题获得的ML估计器。仿真结果表明，BHT-MLE算法以较低的计算代价提供了比ML估计（MLE）更高的重建精度。
2015-11-18 cs.IT math.IT stat.ML
Quantized Precoding for Massive MU-MIMO
大规模多用户（MU）多输入多输出（MIMO）技术是第五代无线通信系统的关键技术之一。在本文中，我们研究了在基站（BS）处具有低分辨率数模转换器（DAC）的窄带大规模MU-MIMO系统的下行链路预编码问题。我们分析了线性预编码器的性能，如最大比传输和迫零，受到粗量化。使用Bussgang的定理，我们推导出一个封闭形式的近似下，这样的粗量化的速率。我们的研究结果表明，无限分辨率DAC可达到的性能可以接近使用DAC只有3至4位的分辨率，这取决于BS天线的数量和用户设备（UE）的数量。对于1位DAC的情况下，我们还提出了新的非线性预编码算法，显着优于线性预编码器的成本增加的计算复杂性。具体而言，我们表明，非线性预编码只会导致3 dB的罚款相比，无限分辨率的情况下，未编码的位出错率为10^-3，在系统中与128个BS天线，使用1位DAC和服务16个单天线UE。相比之下，线性预编码器的惩罚约为8dB。
2017-06-29 cs.IT math.IT
Sharp Guarantees for Solving Random Equations with One-Bit Information
University of California, Santa Barbara（加州大学圣巴巴拉分校）
我们研究的性能广泛的一类凸优化为基础的估计恢复信号从损坏的一位测量在高维。我们的一般结果预测尖锐的线性渐近制度时，测量向量的条目IID高斯估计的性能。这包括，作为一个特殊的情况下，以前研究的最小二乘估计和各种新的结果，其他流行的估计，如最小绝对偏差，铰链损失和物流损失。重要的是，我们利用这样一个事实，即我们的分析适用于通用凸损失函数，以证明在整个估计类的最佳可实现的性能上的界限。数值模拟证实了我们的理论研究结果，并建议他们是准确的，即使是相对较小的问题尺寸。
2020-01-23 cs.IT cs.LG eess.SP
Linear Regression from 1-bit Quantized Data
George Mason University（乔治梅森大学）；University of Virginia（弗吉尼亚大学）
研究在数据丰富但存储和传输资源有限的环境下，基于1位抖动量化预测变量、其平方和响应的线性回归问题，提出基于二次规划的插件估计器，并分析其非渐近误差界和渐近分布。
2026-03-30 cs.IT math.IT math.ST
A Parameter-Free Two-Bit Covariance Estimator with Improved Operator Norm Error Rate
The University of Hong Kong（香港大学）；Hong Kong Baptist University（香港浸会大学）
针对现有2-bit协方差估计器在理论误差和实际调参上的缺陷，提出一种免调参的2-bit协方差矩阵估计器，利用三角抖动和数据驱动的抖动尺度，将误差率与有效秩挂钩并消除调参，在高斯样本下表现出色。
2024-11-10 cs.IT cs.LG math.IT
Sparse Channel Estimation for Massive MIMO with 1-bit Feedback per Dimension
在大规模多输入多输出（MIMO）系统中，在发射端获取信道状态信息（CSIT）是至关重要的。针对频分复用（FDD）大规模MIMO系统，提出了一种实用的CSIT估计方法。具体地，每个接收的导频符号首先在接收器侧被量化为每维一个比特，然后量化的比特被反馈到发射器。在发射端采用联合一比特压缩感知算法来恢复信道矩阵。该算法利用用户信道矩阵中隐藏的联合稀疏结构来最小化训练和反馈开销，这被认为是FDD系统的主要挑战。此外，一比特压缩感知算法准确地恢复信道方向的波束形成。一比特反馈机制可以在使用上行链路控制信道的实际系统中实现。仿真结果表明，该方案几乎达到最大输出信噪比的波束形成的基础上估计CSIT。
2016-10-11 cs.IT cs.NI math.IT
Four-Level Quantized Soft Information Aided Hard-Decision Decoder for Product-like Codes
Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心）；Global College, Shanghai Jiao Tong University（上海交通大学全球学院）
针对类乘积码，提出带分级缩放可靠性和比特翻转的迭代有界距离译码方案，四级量化软信息辅助，获超0.4 dB增益，性能接近现有未量化软辅助译码器。
2026-10-16 cs.IT math.IT
