首页/论文/2303.06017

arXiv 2303.060172023-03eess.SPcs.ITmath.IT

信息论I-MMSE推广时频信号处理工具

Information Theoretic I-MMSE generalize Time-Frequency Signal Processing Tools

Samah A. M. Ghanem

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

AI总结：

本文利用信息论与估计论结果I-MMSE，证明其推广了分析非平稳非高斯信号急需的时频信号处理工具。

摘要：

本文利用信息论-估计论结果I-MMSE[1]-[2]，证明该工具推广了非平稳非高斯信号分析急需的时频信号处理工具。

英文摘要：

In this paper, we capitalize on information theoretic-estimation theoretic result, called the I-MMSE [1]-[2] to show that such tool generalizes time-frequency signal processing tools urgent for the analysis of non-stationary non-Gaussian signals.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

无小区大规模MIMO网络中的联合活动检测和信道估计

Joint Activity Detection and Channel Estimation in Cell-Free Massive MIMO Networks with Massive Connectivity

无小区大规模MIMO技术是未来无线通信的关键技术之一，在该技术中，用户同时由所有接入点（AP）联合服务。本文研究了具有大规模连接性的无小区大规模MIMO系统中有效信道系数的最小均方误差（MMSE）估计。为了便于理论分析，本文仅考虑基于单测量向量（SMV）的MMSE估计，即，基于在每个AP处接收的导频信号分别执行MMSE估计。受副本对称假设MMSE估计的解耦原理的启发，提出了一种独立同分布（i.i.d.）非零分量的情况下，提出了基于SMV的独立非同分布（i.n.i.d.）非零分量，这在大规模连接的无小区大规模MIMO系统中基于SMV的有效信道系数MMSE估计的理论分析中起着关键作用。随后，基于MMSE估计的解耦原理、似然比检验和最优融合规则，实现了基于单个接入点接收到的导频信号的用户活动检测，或者在整个接入点集合中协作进行集中式或分布式检测。通过理论分析，我们表明，集中式和分布式检测的错误概率趋于零时，AP的数量趋于无穷大，而用户和导频的数量之间的渐近比例保持不变。利用随机矩阵理论研究了具有大规模连通性的无单元大规模MIMO系统中预言估计的渐近行为。

2021-12-24cs.ITeess.SPmath.IT

基于常微分方程的MIMO系统的MMSE信号检测

MMSE Signal Detection for MIMO Systems based on Ordinary Differential Equation

受新兴的节能模拟计算和连续时间处理技术的启发，本文提出了基于常微分方程的多输入多输出（MIMO）系统的连续时间最小均方误差估计。均方误差（MSE）是MIMO系统估计方法的主要检测性能指标。我们推导出一个分析的MSE公式，表明在任何时候的MSE。所提出的方法的MSE依赖于正则化参数，影响MSE的收敛性。此外，我们通过使用时间相关的正则化参数来扩展所提出的方法，以实现更好的收敛性能。数值实验表明，与理论值和改善的收敛性能，由于使用的时间相关的参数。

2022-09-02cs.ITeess.SPmath.IT

MMSE的马尔可夫连续性

Markovian Continuity of the MMSE

School of Electrical and Computer Engineering, Tel Aviv University（特拉维夫大学电气与计算机工程学院）

研究MMSE在标准随机收敛概念下可能不连续的问题，基于实际采集机制，在二阶矩连续性和退化（马尔可夫）限制两个自然约束下，建立MMSE及其估计器的连续性，还给出相关结果及扩展到其他函数族。

2026-10-14cs.ITeess.SPmath.IT

通过空间耦合实现广义线性模型中的贝叶斯最优估计

Bayes-Optimal Estimation in Generalized Linear Models via Spatial Coupling

本文研究 GLM 中可行估计与 MMSE 的性能差距，提出空间耦合感知矩阵下的 AMP 算法，并证明其在高维极限达到贝叶斯最优 MMSE。

2024-10-28cs.ITeess.SPmath.IT

有色噪声下大规模多输入多输出系统的分散线性MMSE滤波器

Decentralized Linear MMSE Equalizer Under Colored Noise for Massive MIMO Systems

大规模多输入多输出系统中的常规上行链路均衡依赖于集中式基带处理架构。然而，随着基站天线数目的增加，集中式基带处理架构遇到两个瓶颈，即，巨大的数据互联和高维计算。为了解决这些问题，分散基带处理被提出用于上行链路均衡，但仅适用于不切实际的高斯白噪声假设的场景。提出了一种色噪声假设下的菊花链分布式基带处理结构中上行链路线性最小均方误差（L-MMSE）均衡方法。优化的L-MMSE均衡器是通过利用块坐标下降法，这表明在理论和仿真接近最优的性能，同时显着减轻瓶颈。

2021-06-23eess.SP

基于GEVD的蜂窝大规模多输入多输出系统上行链路低秩信道协方差矩阵估计和MMSE信道估计

GEVD-based Low-Rank Channel Covariance Matrix Estimation and MMSE Channel Estimation for Uplink Cellular Massive MIMO Systems

上行链路信道估计是蜂窝大规模多输入多输出系统性能的关键组成部分。然而，当用户设备（UE）的数量增长时，可用资源的共享导致相邻小区中的UE之间的干扰。已经提出了最小均方误差（MMSE）信道估计器来减轻这种干扰，但是这些需要信道协方差矩阵的估计。因此，本文提出了一种新的低秩信道协方差矩阵的信道协方差矩阵估计器，使用广义特征值分解（GEVD）的两个协方差矩阵，可以估计从可用的上行链路数据。对系统的要求是最小的，并且除了同步之外，不需要不同小区之间的通信，并且不需要关于背景噪声的先验知识。基于新提出的信道协方差矩阵估计器，还推导了近似MMSE估计器。数值仿真结果表明了所提出方法的有效性。

2021-11-23eess.SP

更多相关论文收起更多论文

利用生成先验的MMSE信道估计半盲策略

Semi-Blind Strategies for MMSE Channel Estimation Utilizing Generative Priors

针对大规模MIMO半盲信道估计，提出利用全接收符号子空间与GMM、VAE生成先验的两种LMMSE估计策略，并通过理论与仿真验证其MSE优势。

2025-10-21eess.SP

一种用于通信接收量化的信息论框架

An Information-Theoretic Framework for Receiver Quantization in Communication

Shaoxing University（绍兴大学）；University of Science and Technology of China（中国科学技术大学）

本文提出了一种信息论框架，研究接收端量化对通信性能的影响，通过分析量化器的阈值和级别，推导了速率损失与MSE最小化的关系，并探讨了不同量化策略下的性能一致性问题。

2025-12-25cs.ITeess.SPmath.IT

基于随机共振的稀疏编码算法的MMSE逼近

MMSE Approximation For Sparse Coding Algorithms Using Stochastic Resonance

Technion（以色列理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Stanford University（斯坦福大学）；Harvard University（哈佛大学）

稀疏编码是指在典型的过完备字典中追求信号的稀疏表示。从贝叶斯的角度来看，稀疏编码在稀疏先验下提供未知向量的最大后验概率（MAP）估计。在这项工作中，我们建议提高稀疏编码算法的性能，故意和控制污染的输入与随机噪声，一种被称为随机共振的现象。该方法将受控噪声添加到输入，并从扰动信号中估计稀疏表示。然后，通过将原始输入信号投影到恢复的支持集上来获得一组这样的解。我们提出了所描述的方法的两个变体，它们在最后一步中有所不同。第一个是一个可证明的收敛近似的最小均方误差（MMSE）估计，依赖于生成模型和应用加权平均恢复的解决方案。第二个是前者的一个宽松的变体，它只是应用经验平均值。我们表明，这两种方法提供了一个计算效率的近似MMSE估计，这是典型的难以计算。我们实证证明我们的研究结果，并提供了我们的方法在几种不同的情况下的理论分析。

2019-04-11cs.CVeess.SP

利用变分自编码器进行参数化 MMSE 估计

Leveraging Variational Autoencoders for Parameterized MMSE Estimation

本文提出基于变分自编码器的框架参数化条件线性MMSE估计器，通过将数据分布建模为条件高斯分布生成先验以近似MMSE估计器，设计了三种变体，严格分析了误差界限与偏差-方差权衡，并在信道估计等数值模拟中展现出优于SOTA的性能。

2024-08-21cs.ITeess.SPmath.IT

双选择性信道下基于BEM辅助的AFDM系统低复杂度信道估计

BEM-Assisted Low-Complexity Channel Estimation for AFDM Systems over Doubly Selective Channels

本文针对双选择性信道下的AFDM系统，提出基于GCE-BEM的低复杂度信道估计方案，推导了MMSE估计误差闭式表达式与BER理论下界，有效缓解了多普勒间干扰。

2025-09-14eess.SP

时变瑞利衰落下MU-MIMO系统中的SINR

On the Achievable SINR in MU-MIMO Systems Operating in Time-Varying Rayleigh Fading

使多用户多输入多输出系统的上行链路中的符号误差最小化是重要的，因为符号误差影响所实现的信号与干扰加噪声比（SINR），从而影响系统的频谱效率。尽管有大量的文献可用于最小均方误差（MMSE）接收机，以前提出的接收机块衰落信道中的时变瑞利衰落信道的符号误差不最小化。具体来说，我们表明，真正的MMSE接收机结构不仅取决于CSI误差的统计，但也对时变信道的自相关系数。事实证明，使用拟议接收器时计算平均SINR非常重要。在本文中，我们采用了随机矩阵理论的方法，这使我们能够得到一个准封闭的形式的平均SINR，这使得可以获得分析的准确结果，提供有价值的见解的SINR如何取决于天线的数量，采用导频和数据功率和时变信道的协方差。我们对最近提出的接收机的性能进行基准测试，发现所提出的MMSE接收机比以前提出的接收机实现了更高的SINR，并且这种好处随着自回归系数的增加而增加。

2022-03-24eess.SP

基于深度残差学习的智能反射面辅助多用户通信信道估计

Deep Residual Learning for Channel Estimation in Intelligent Reflecting Surface-Assisted Multi-User Communications

信道估计是实现实用的智能反射面辅助多用户通信系统的主要任务之一。然而，与传统的通信系统不同，IRS-MC系统通常涉及具有复杂统计分布的级联信道。在这种情况下，最优最小均方误差（MMSE）估计器需要计算多维积分，这在实际中是难以实现的。为了进一步提高信道估计的性能，在本文中，我们将信道估计建模为去噪问题，并采用深度残差学习（DReL）方法来隐式学习残差噪声，以便从基于噪声导频的观测中恢复信道系数。为此，我们首先开发了一个通用的基于DReL的信道估计框架，其中基于贝叶斯哲学的深度残差网络（DRN）的MMSE估计器。作为所开发的DReL框架的实现，基于卷积神经网络（CNN）的DRN（CDRN）被提出用于IRS-MC系统中的信道估计，其中配备有逐元素减法结构的CNN去噪块被专门设计为同时利用噪声信道矩阵的空间特征和噪声的加性。特别是，一个明确的表达建议CDRN推导和分析的贝叶斯估计，从理论上表征其属性。最后，仿真结果表明，所提出的方法的性能接近的最优MMSE估计要求的先验概率密度函数的可用性的信道。

2021-08-01eess.SP

环境后向散射通信中的深度残差学习辅助信道估计

Deep Residual Learning-Assisted Channel Estimation in Ambient Backscatter Communications

信道估计是实现高效环境后向散射通信系统的一个具有挑战性的问题。在这封信中，AmBC中的信道估计被建模为去噪问题，并且开发了基于卷积神经网络的深度残差学习去噪器（CRLD），以直接从接收到的噪声导频信号中恢复信道系数。为了同时利用导频信号的空间和时间特征，专门设计了一种新的三维（3D）去噪块，以促进CRLD中的去噪。此外，我们提供了理论分析，以表征所提出的CRLD的属性。仿真结果表明，该方法的性能接近最佳的最小均方误差（MMSE）估计器的性能与完美的统计信道相关矩阵。

2020-09-16cs.ITeess.SPmath.IT

关于贝叶斯估计与近邻算子

On bayesian estimation and proximity operators

Univ Rennes（雷恩大学）；Inria（法国国家数字与信息技术研究所）；CNRS（法国国家科学研究中心）；IRISA（布列塔尼信息与自动化研究学院）；CMLA（计算、建模与应用数学实验室）；Ecole Normale Supérieure de Cachan, Université Paris-Saclay（巴黎萨克雷大学卡昂高等师范学校）

本文探讨了逆问题的两种解决方法，指出最大后验估计与最小均方误差估计之间的关系，并证明在特定噪声模型下，MMSE可通过惩罚最小二乘问题实现。

2026-03-23eess.SPmath.STstat.TH

光纤纵向功率分布估计方法的性能极限

Performance Limit of Fiber-Longitudinal Power Profile Estimation Methods

本文提出了纵向功率分布估计（PPE）的方法，可视化信号在光纤中的相干接收机的功率演变的分析结果。PPE可以用公式表示为非线性薛定谔方程的逆问题，其中非线性系数（以及因此信号功率）从边界条件重构，即，发送和接收信号。回顾和分析了两类PPE方法，包括基于相关性的方法（CM）和基于最小均方误差的方法（MMSE）。给出了它们的输出功率分布和空间分辨率的解析表达式，从而阐明了两种PPE方法的理论性能极限及其差异。推导出的方程表明，估计的CM的功率分布可以理解为一个真实的功率分布和平滑函数的卷积。因此，即使在无噪声和无失真的条件下，CM的空间分辨率和测量精度也是有限的。CM的空间分辨率的封闭形式的公式示出成反比的产品的色散系数和信号带宽的平方。利用MMSE，这种卷积效应被抵消，并且估计的功率分布在精细的空间步长下接近真实功率分布。

2023-01-11eess.SPphysics.optics

多通道神经元分离系统的时域实值广义Wiener滤波器

A Time-domain Real-valued Generalized Wiener Filter for Multi-channel Neural Separation Systems

在过去的几年中，频域波束形成器已经在广泛的多通道神经分离系统中取得了成功。然而，传统的频域波束形成器中的操作通常是独立定义和复值的，这导致了两个缺点：前者没有充分利用端到端优化的优势，后者可能会在训练阶段引入数值不稳定性。受最近在端到端神经分离系统中取得的成功的启发，在本文中，我们提出了时域实值广义维纳滤波器（TD-GWF），一种定义在2-D可学习实值信号变换上的线性滤波器。TD-GWF将变换后的表示划分成组，并对每个组上的所有可用信道执行最小均方误差（MMSE）估计。我们展示了如何TD-GWF可以连接到传统的滤波和求和波束形成器时，某些信号变换和组的数量是指定的。此外，鉴于最近在顺序神经波束成形框架中取得的成功，我们展示了如何在这种框架中应用TD-GWF来执行迭代波束成形和分离，以获得整体性能增益。综合实验结果表明，TD-GWF在各种神经网络架构、麦克风阵列场景和任务配置的顺序神经波束形成流水线中始终优于传统的频域波束形成器。

2022-09-07cs.AIcs.SDeess.AS