Time-Varying Graph Signal Recovery Using High-Order Smoothness and Adaptive Low-rankness
针对时变图信号恢复问题,提出结合高阶Sobolev光滑性与误差函数加权核范数正则化的方法,设计两种高效算法并证明其一收敛性,实验验证其效果优于现有最优方法。
2024-05-16 cs.NA eess.SP math.NA
Recovery of binary sparse signals from compressed linear measurements via polynomial optimization
从少量的线性测量中恢复具有有限值分量的信号是一个具有广泛应用和有趣的数学特性的问题。在压缩感知框架中,最近已经提出了定制的方法来处理有限值稀疏信号的情况。在这项工作中,我们专注于二进制稀疏信号,我们提出了一种新的配方,基于多项式优化。这种方法进行了分析和比较,最先进的二进制压缩传感方法。
2019-05-30 cs.LG eess.SP math.OC
Joint Signal Recovery and Graph Learning from Incomplete Time-Series
Sharif University of Technology(谢里夫理工大学);Hong Kong University of Science and Technology(香港科技大学)
针对不完整时间序列,提出基于块连续上界最小化(BSUM)的算法,联合恢复时变图信号并学习底层图结构,仿真验证其有效性。
2023-12-28 cs.LG 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
Space Alternating Variational Estimation Based Sparse Bayesian Learning for Complex-value Sparse Signal Recovery Using Adaptive Laplace Priors
由于其自正则化的性质和量化不确定性的能力,贝叶斯方法在广泛的稀疏信号恢复应用中取得了优异的恢复性能。然而,现有的方法大多是基于实值信号模型,与复值信号模型很少考虑。基于自适应最小绝对收缩和选择算子(LASSO)和稀疏贝叶斯学习(SBL)框架,提出了一种具有自适应Laplace先验的复杂稀疏信号恢复分层模型.此外,空间交替的方法被集成到算法中,以减少所提出的方法的计算复杂度。在实验中,对复高斯随机字典和不同类型的复信号进行了研究。这些实验表明,该算法提供了更好的恢复性能不同类型的复杂信号比国家的最先进的方法。
2022-09-06 eess.SP
Signal Recovery with Non-Expansive Generative Network Priors
Northeastern University(东北大学)
我们研究了具有深度生成网络先验的压缩感知。对于具有高斯权重和对数扩展性的ReLU网络范围内的信号,已经开发了从压缩线性测量中有效恢复的初始理论保证:即当每一层都比前一层大一个对数因子时。后来证明,恒定的膨胀率足以恢复。它仍然开放是否扩张性可以放松,允许网络与收缩层(通常是真实的发电机的情况下)。在这项工作中,我们回答了这个问题,证明了高斯生成网络范围内的信号可以从几个线性测量中恢复,前提是层的宽度与输入层的大小成比例(最多为对数因子)。这个条件允许生成网络具有收缩层。我们的结果是基于显示,高斯矩阵满足矩阵浓度不等式,我们称之为范围限制的权重分布条件(R2WDC),并削弱了权重分布条件(WDC)的基础上,以前的理论保证。WDC也被用来分析其他具有生成网络先验的信号恢复问题。通过用R2WDC替换WDC,我们能够将以前的结果扩展到非扩展的扩展生成网络先验的信号恢复。我们讨论这些扩展相位恢复,去噪,和尖峰矩阵恢复。
2022-05-21 cs.LG eess.SP stat.ML
Deep Signal Recovery with One-Bit Quantization
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Technion, Israel Institute of Technology(以色列理工学院)
机器学习,更具体地说是深度学习,在感知、通信和推理方面表现出了卓越的性能。在本文中,我们考虑的应用程序的深度展开技术的信号重建的问题,从其一位噪声测量。也就是说,我们提出了一种基于模型的机器学习方法,并将推理优化算法的迭代展开到深度神经网络的各个层中,以实现1位信号恢复。由此产生的网络,我们称之为DeepRec,可以有效地处理从获取的一位噪声测量中恢复高维信号。所提出的方法的结果在精度和计算效率的提高,相对于原始框架,通过数值分析所示。
2018-11-30 cs.LG eess.SP stat.ML
Theoretical Linear Convergence of Deep Unfolding Network for Block-Sparse Signal Recovery
在本文中,我们考虑的高维块稀疏信号的恢复从一个压缩的测量集,恢复信号的非零系数发生在一个小数目的块。采用深度展开的思想,我们探索了块稀疏结构,并提出了一个名为Ada-BlockLISTA的块稀疏重建网络,该网络对每个单独的块进行梯度下降,然后进行逐块收缩。此外,我们证明了我们提出的网络的线性收敛速度,这也从理论上保证了精确的恢复潜在的更高的稀疏水平的基础上underlyingblock结构。数值结果表明,Ada-BlockLISTA产生更好的信号恢复性能相比,现有的算法,忽略了额外的块结构的信号模型。
2021-11-18 eess.SP
Maximum Feasible Subsystem Algorithms for Recovery of Compressively Sensed Speech
信号压缩的目标是减小输入信号的大小,而不显著损失恢复信号的质量。实现该目标的单向式是应用压缩感知的原理,但是这对于诸如语音之类的不够稀疏的真实世界的信号并不是特别成功。我们提出了三种新的算法的基础上解决方案的最大可行子系统问题(MAX FS),提高了最先进的压缩语音信号的恢复:更高度压缩的信号可以成功地恢复更高的质量。与使用传统的压缩感知恢复算法获得的解相比,新的恢复算法提供更稀疏的解。当通过恢复TIMIT语音数据库中的压缩感知语音信号进行测试时,恢复的语音具有比使用传统的压缩感知恢复算法恢复的语音更好的感知质量。
2020-03-05 eess.SP
On recovery of signals with single point spectrum degeneracy
研究了离散时间信号中含有有限个缺失值的恢复问题。本文建立了这些缺失值的Z变换消失在一个单一的点以一定的速度信号的可恢复性。相应的恢复内核的传递函数显式。一些鲁棒性的恢复数据截断或噪声污染。
2018-09-25 cs.IT eess.SP math.IT
Simultaneous Block-Sparse Signal Recovery Using Pattern-Coupled Sparse Bayesian Learning
University of Electronic Science and Technology of China(电子科技大学);China Academy of Engineering Physics(中国工程物理研究院)
在本文中,我们考虑块稀疏信号恢复问题的背景下,多个测量向量(MMV)与共同的行稀疏模式。我们开发了一种新的方法来恢复常见的行稀疏MMV信号,其中模式耦合的分层高斯先验模型被引入到共同的行稀疏MMV信号的系数的块稀疏性和相邻系数之间的统计依赖性的特征。与许多其他方法不同,该方法能够自动捕获未知信号的块稀疏结构。我们的方法是使用期望最大化(EM)的框架。仿真结果表明,该方法在恢复块稀疏共行稀疏模式MMV信号时具有较好的性能。
2017-11-06 cs.IT cs.LG eess.SP
Sampling and Recovery of Signals on a Simplicial Complex using Neighbourhood Aggregation
针对单纯复形上相邻阶带限信号的采样恢复问题,提出基于 Hodge Laplacian 的邻域聚合采样与最小二乘恢复方法,并给出重建条件和实验验证。
2023-08-18 eess.SP
General Total Variation Regularized Sparse Bayesian Learning for Robust Block-Sparse Signal Recovery
在不知道块大小和边界的情况下恢复块稀疏信号(例如在多天线毫米波信道模型中遇到的那些)是压缩感知(CS)算法的难题。我们提出了一种新的稀疏贝叶斯学习(SBL)方法的块稀疏恢复的基础上流行的CS为基础的正则化函数的输入变量与总变差(TV)。与对信号分量施加正则化的传统方法相反,我们正则化SBL超参数。这种迭代TV正则化SBL算法采用优化最小化方法,并将每次迭代减少为凸优化问题,从而可以灵活选择数值求解器。数值结果表明,TV正则化SBL算法对块结构的性质具有鲁棒性,能够恢复具有块模式分量和孤立分量的信号,适用于各种信号恢复系统。
2021-02-16 eess.SP
A sharp sufficient condition of block signal recovery via $l_2/l_1$-minimization
本文得到了块约束等距性的一个充分条件。在一定的假设条件下,在有噪声的情况下,可以稳定地恢复具有块结构的信号,在无噪声的情况下,可以精确地重建块稀疏信号。此外,还通过一个例子说明了该条件的尖锐性.作为副产品,当$t=1$时,结果改进了Lin和Li中的块限制等距常数$δ_{s|\mathcal{I}}$的界(Acta Math. Sin. Engl. 29(7):1401-1412,2013)。
2017-10-30 eess.SP
Message Passing Based Block Sparse Signal Recovery for DOA Estimation Using Large Arrays
本文提出一种基于消息传递的块稀疏信号恢复算法,用于大规模阵列DOA估计,通过逆DFT构建稀疏模型,实现低复杂度高精度估计。
2023-09-01 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
Hardware Implementation of Task-based Quantization in Multi-user Signal Recovery
量化在数字信号处理系统中起着至关重要的作用,它允许用有限数量的比特来表示连续幅度信号。然而,准确地表示信号需要大量的量化比特,这导致严重的成本、功耗和存储器负担。解决这个问题的一个有前途的方法是基于任务的量化。通过将任务信息用于整个系统设计,基于任务的量化可以以较低的量化代价实现令人满意的性能。在这项工作中,我们应用基于任务的量化多用户信号恢复,并提出了一个硬件原型实现。该原型由一个定制的可配置的组合板,和一个基于软件的处理和演示系统。通过实验,我们验证了与适当的设计,基于任务的量化实现了减少25倍的内存减少,从16个接收器,每个16位,以减少到2个接收器,每个5位,而不影响信号恢复性能。
2023-01-27 eess.SP
Recovery of Missing Sensor Data by Reconstructing Time-varying Graph Signals
Jadavpur University(贾达普大学)
无线传感器网络是当今时代最有前途的技术之一,因为它们体积小,成本低,易于部署。随着无线传感器数量的增加,产生缺失数据的概率也随之上升。这些不完整的数据如果用于决策,可能会导致灾难性的后果。有丰富的文献论述这一问题。然而,大多数方法在大量数据丢失时表现出性能下降。受图信号处理这一新兴领域的启发,本文对无线传感器网络中的Sobolev重构算法进行了新的研究。几个公开的数据集上的实验比较表明,该算法超过了多个国家的最先进的技术的最大利润率为54%。我们进一步表明,即使在大量数据丢失的情况下,该算法始终检索丢失的数据。
2022-12-23 cs.AI cs.NI 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
Newton-Direction-Based ReLU-Thresholding Methods for Nonnegative Sparse Signal Recovery
School of Mathematics and Statistics, Shandong University of Technology(山东理工大学数学与统计学院);Shenzhen International Center for Industrial and Applied Mathematics, SRIBD, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)理工学院深圳市工业与应用数学中心);Department of Mathematical Sciences, University of Nottingham Ningbo China(宁波诺丁汉大学数学系)
本文提出基于牛顿方向的ReLU阈值化方法,用于非负稀疏信号恢复,通过理论分析和实验验证其在不同噪声条件下的有效性。
2026-02-04 cs.IT eess.SP math.IT
Signal Recovery Performance Analysis in Wireless Sensing with Rectangular-Type Analog Joint Source-Channel Coding
分析了无线传感系统中高、中、低信噪比情况下矩形模拟联合信源信道编码(AJSCC)的信号恢复性能。中/低SNR场景的分析和推导是基于矩形型AJSCC的三维信号映射曲线中的所有信号变化情况的综合列表。均方误差(MSE)性能的理论公式推导出模拟传感和数字传感系统与矩形型AJSCC。评估结果表明,在高和中/低信噪比的情况下,在矩形型AJSCC中存在最佳参数,以最小化信号恢复MSE性能。此外,与低分辨率的模数转换(ADC)的数字感测的性能进行了比较,模拟感测的高和中/低SNR的情况下,在这项工作中。理论和评估结果对基于矩形AJSCC的无线传感系统设计具有实用价值。
2020-01-01 eess.SP
Signal Recovery from Time and Frequency Samples
Dalle Molle Institute for Artificial Intelligence (IDSIA) - SUPSI/USI(达勒·莫勒人工智能研究所(IDSIA)- 瑞士应用科学与艺术大学/洛桑联邦理工学院)
针对时间域和频率域联合采样场景,提出有限维与再生核希尔伯特空间中的信号恢复框架,实验表明双域采样在固定预算下比单域方法条件数更优。
2026-07-03 eess.SP
Enhanced Support Vector Machine Based Signal Recovery in Bandwidth-Limited 50-100 Gbit/s Flexible DS-PON
针对灵活下行PON,提出基于SVM原理、复杂度降低的自适应信号恢复算法,在带宽受限100 Gbit/s直接检测传输(误码率1E-3)中实现24 dB创纪录链路功率预算。
2025-02-14 eess.SP
A divide-and-conquer approach for sparse recovery of high dimensional signals
本文针对块压缩感知重建质量随划分数量增加而下降的问题,提出利用划分间相关性的稀疏恢复方法,在中等信噪比下以适度复杂度代价超越BCS。
2024-09-01 eess.SP
Robust Adaptive Generalized Correntropy-based Smoothed Graph Signal Recovery with a Kernel Width Learning
提出了一种基于广义相关熵的鲁棒自适应平滑图信号恢复算法。为此定义了一个合适的代价函数。对该算法进行了推导,并提出了一种基于核宽度学习的算法,仿真结果表明了该算法优于固定相关熵核的算法。此外,对该算法进行了理论分析。对此,首先讨论了代价函数的凸性分析。其次,研究了算法的一致稳定性。第三,增加了均值收敛分析。最后,对算法的复杂度进行了分析.此外,一些合成和真实世界的实验表明,该算法的优势相比,其他一些自适应算法在文献中的自适应图信号恢复。
2022-09-19 eess.SP
Comparison of threshold-based algorithms for sparse signal recovery
信号处理和获取中的密集增长方法,即压缩感知方法,允许从少量随机获取的信号系数中恢复稀疏信号。本文分析了几种常用的基于阈值的稀疏信号重构算法。信号满足压缩感知理论所要求的条件。研究了正交匹配追踪、迭代硬保和单次迭代重建算法。在重建误差和执行时间方面的比较是在实验部分的文件。
2018-02-18 cs.MM 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
Estimation and uncertainty quantification for piecewise smooth signal recovery
针对高阶全变差(HOTV)稀疏先验下的线性反问题,提出了一种稀疏贝叶斯学习(SBL)算法。对于稀疏信号恢复的问题,SBL通常产生比最大后验估计更准确的估计,包括那些依赖于l1正则化的估计。此外,而不是一个单一的信号估计,SBL产生一个完整的后验密度估计,可用于不确定性量化。然而,SBL仅直接适用于具有直接稀疏性先验的问题,或者可以通过合成形成的问题。本文演示了如何通过综合来制定HOTV稀疏先验问题,然后开发了相应的贝叶斯学习方法。这扩展了贝叶斯学习可用的问题类别,包括,例如,从数据中恢复分段平滑函数或信号的逆问题。数值例子来证明这种新技术是如何有效地采用。
2020-07-17 eess.SP
Time-Scale-Chirp_rate Operator for Recovery of Non-stationary Signal Components with Crossover Instantaneous Frequency Curves
本文的目的是介绍一种创新的方法,从多分量盲源信号的非平稳信号分量的恢复可能交叉瞬时频率(IF)曲线。其主要思想是通过考虑信号分量的二次相位表示,将啁啾率参数与时间尺度连续小波变换相结合。因此,即使两个IF曲线交叉,只要它们的啁啾率不同,两个相应的信号分量仍然可以被分离和恢复。换句话说,在任何时刻具有相同IF值的信号分量仍然可以被恢复。为了便于我们的介绍,我们引入了时间尺度-啁啾率(TSC-R)恢复变换或TSC-R恢复算子的概念,以发展时间,尺度,啁啾率的三维空间的TSC-R理论。我们的理论发展是基于近似的非平稳信号成分的线性啁啾和应用建议的自适应TSC-R变换的多分量盲源信号,以获得相当准确的误差界的中频估计和信号分量的恢复。几个数值实验结果表明,所提出的方法优于所有现有的时频和时间尺度的方法在已发表的文献中,特别是对非平稳源信号的交叉IF。
2020-12-27 cs.NA eess.SP math.NA
Unlimited Sampling of Multiband Signals: Single-Channel Acquisition and Recovery
本文研究了无界采样框架下单通道多带信号的重建问题,证明了亚奈奎斯特采样的可行性,并收紧了带通信号采样定理,其恢复算法在硬件实验中实现了高达13倍的动态范围提升。
2025-10-31 cs.IT eess.SP math.IT
New sufficient conditions of signal recovery with tight frames via $l_1$-analysis
本文利用$l_1$分析方法讨论了信号相对于紧框架$D$几乎稀疏的情况下的信号恢复问题。我们建立了几个新的充分条件,关于$D$的限制等距属性,以确保稳定的重建信号,近似稀疏相对于$D$。它表明,如果测量矩阵$Φ$满足条件$δ_{ts}<t/(4-t)$的$0<t<4/3$,然后信号是近似稀疏的$D$可以稳定地恢复的$l_1$分析方法。在$D=I$的情况下,边界是尖锐的,参见Cai和Zhang的工作\cite{Cai and Zhang 2014}。当$t=1$时,本界改进了Lin等人的条件$δ_s<0.307$。是因为$δ_s<1/3$。
2017-10-30 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
Statistical Graph Signal Recovery Using Variational Bayes
本文研究了图的拓扑结构未知时的图信号恢复问题。在本文中,加权邻接矩阵的元素是统计相关的正态分布和图形信号被假定为高斯马尔可夫随机场(GMRF)。然后,GSR的问题是解决的变分贝叶斯(VB)算法在贝叶斯的方式通过计算后验在一个封闭的形式。证明了加权邻接矩阵元素的后验分布具有一种新的分布,称之为广义复合合流超几何(GCCH)分布。此外,噪声的方差估计通过计算其后验通过VB。对合成数据和真实数据的仿真结果表明,所提出的贝叶斯算法在恢复图形信号方面优于一些最先进的算法。
2020-10-16 eess.SP
Real-time digital signal recovery for a low-pass transfer function system with multiple complex poles
为了解决许多具有多复极点线性低通传输特性的物理和电气系统所带来的波形失真和信号延迟问题,提出了一种基于通用数字信号处理(DSP)的从失真的输出波形中实时恢复原始源波形的方法。从卷积核表示的多极低通传递函数与任意分母多项式与实值系数,它表明,源波形可以准确地恢复实时使用一个特定的移动平均算法与实值DSP计算,即使一些或所有的极点是复杂的。所提出的数字信号恢复方法是DC精确的,不受初始条件、瞬态信号和谐振幅度增强的影响。数据恢复的噪声特性表现出与低通滤波器特性相反的特性。这种方法可以应用于大多数传感器和放大器接近其频率响应极限或在其谐振频率附近工作,以精确地解卷积多极特性,并提高数据采集系统和数字反馈控制系统的整体性能。
2018-07-18 eess.SP physics.ins-det
A James-Stein Estimator based Generalized OMP Algorithm for Robust Signal Recovery using Sparse Representation
针对稀疏表示场景下字典噪声影响信号恢复的问题,提出融入James-Stein估计器的JS-gOMP算法,优化信号恢复与噪声抑制的权衡,在噪声环境下性能优于传统gOMP,可用于高噪声的信号与图像处理场景。
2025-09-01 eess.SP math.ST stat.TH
Stable Recovery of Weighted Sparse Signals from Phaseless Measurements via Weighted l1 Minimization
无相位压缩感知的目标是从其测量值的幅度恢复未知的稀疏或近似稀疏信号。然而,它不利用原始信号的任何支持信息。因此,我们在本文中的主要贡献是扩展无相位压缩感知的理论框架,将与信号的支持结构的先验知识。具体来说,我们调查两个条件,保证稳定恢复的加权$k$稀疏信号通过加权L1最小化没有任何相位信息。我们首先证明了加权零空间属性(WNSP)是加权k-稀疏相位可恢复的加权l1最小化成功的充分必要条件。此外,我们表明,如果一个测量矩阵满足强加权限制等距属性(SWRIP),那么原始信号可以稳定地恢复从无相测量。
2021-07-10 cs.IT eess.SP math.FA