Model-Based Learning for DOA Estimation with One-Bit Single-Snapshot Sparse Arrays
The University of Alabama(阿拉巴马大学);Temple University(天普大学)
针对一位量化单快拍离格信号DOA估计难题,提出结合拉普拉斯稀疏先验、逻辑伯努利似然与深度展开的领域知识引导学习框架,在低硬件复杂度下实现高精度鲁棒估计,为下一代雷达通信系统提供高效方案。
2025-10-21 eess.SP
Compressive Toeplitz Covariance Estimation From Few-Bit Quantized Measurements With Applications to DOA Estimation
School of Mathematics and Statistics, Xi’an Jiaotong University(西安交通大学数学与统计学院)
本文提出了一种在稀疏观测和粗量化条件下估计 Toeplitz 协方差矩阵的方法,并展示了其在方向估计中的应用效果。
2026-08-28 eess.SP
Sparse Recovery and Dictionary Learning from Nonlinear Compressive Measurements
稀疏编码和字典学习是线性逆问题(如去噪或修复)的流行技术。然而,在许多情况下,测量过程是非线性的,例如对于限幅、量化或1比特测量。这些问题通常通过解决约束稀疏编码问题来解决,这可能很难解决,并且假设稀疏化字典是已知的和固定的。在这里,我们提出了一个简单而统一的框架来处理非线性测量。我们提出了一个代价函数,最大限度地减少距离凸可行集,我们的知识模型的非线性测量。这提供了一个无约束的、凸的、可微的代价函数,其易于优化,并且推广了稀疏编码中常用的线性最小二乘代价。然后,我们提出了基于邻近的稀疏编码和字典学习算法,能够直接从非线性损坏的信号中学习。我们展示了如何建议的框架和算法可以应用到裁剪,量化和1位数据。
2019-09-10 eess.SP
On the Performance of One-Bit DoA Estimation via Sparse Linear Arrays
利用稀疏线阵(SLA)进行波达方向(DoA)估计由于其在分辨不相关源信号时提供增强的自由度的能力而近来在阵列处理中获得了相当大的关注。此外,部署一位模数转换器(ADC)已成为阵列处理中的一个重要主题,因为它提供了低成本和低复杂度的实现。在本文中,我们研究的问题,DoA估计从一位测量接收SLA。具体而言,我们首先调查的DoA估计问题从一位SLA数据的可识别性条件,并建立一个等价的情况下,DoA估计从无限位未量化的测量。为了从一比特量化数据中确定DoA估计的性能极限,我们推导出相应的Cramér-Rao界(CRB)的悲观近似。这个悲观的CRB,然后用作一个基准,用于评估一位DoA估计器的性能。我们还提出了一个新的算法估计DoA从一位量化数据。我们调查的分析性能的方法,通过推导出一个封闭形式的表达式的协方差矩阵的渐近分布的DoA估计误差,并表明它优于现有的算法在文献中。数值模拟提供了验证分析推导和证实所得到的性能改善。
2021-10-20 eess.SP math.ST stat.TH
Joint RFI Mitigation and Radar Echo Recovery for One-Bit UWB Radar
射频干扰(RFI)抑制和雷达回波恢复对于使用单比特采样技术的超宽带(UWB)雷达系统的正常工作至关重要。最近,我们介绍了一种技术的一位UWB雷达,它首先使用的优化最小化方法的RFI参数估计,其次是稀疏的方法,雷达回波恢复。然而,由于需要单独地和迭代地估计每个RFI源的参数,该技术具有高计算复杂度。在本文中,我们提出了一个计算效率的联合RFI缓解和雷达回波恢复框架,大大降低了计算成本。具体来说,我们利用稀疏的RFI在快频域和稀疏的雷达回波在快时域设计一个一位加权SPICE(SParse迭代基于协方差的估计)为基础的框架,联合RFI缓解和雷达回波恢复的一位UWB雷达。仿真和实验结果表明,所提出的一位加权SPICE框架不仅可以降低计算开销,而且在一位UWB雷达的去耦RFI抑制和雷达回波恢复方面优于现有方法。
2021-03-19 eess.SP
A Gridless Compressive Sensing Based Channel Estimation for Millimeter Wave Massive MIMO Systems from 1-Bit Measurements
研究了基于1比特量化测量的稀疏毫米波(mmWave)大规模多输入多输出(MIMO)OFDM信道估计问题。与以前的量化网格上的方法压缩感知,我们介绍了一个离网格凸方案,使用二进制原子范数最小化(BiANM)估计稀疏信道形式的1位测量。此外,在本文中,我们提出了一个解耦的角度延迟版本的BiANM称为解耦二进制原子范数最小化(DeBiANM),以降低复杂性。此外,为了提高估计的准确性,我们开发了重新加权版本的BiANM命名为重新加权二进制原子范数最小化(ReBiANM),这是原子$\ell_0$范数和原子$\ell_1$范数之间的权衡。此外,为了提高性能的DeBiANM,我们介绍了重新加权版本的DeBiANM,称为重新加权解耦二进制原子最小化(ReDeBiANM)。最后,通过仿真结果,对所提方法的性能进行了研究。
2020-03-18 eess.SP
Single Sparse Graph Enhanced Expectation Propagation Algorithm Design for Uplink MIMO-SCMA
针对上行MIMO-SCMA系统,提出SSG-EPA接收机,通过线性编码将SCMA与LDPC图融合为单稀疏图,并基于EPA实现每轮迭代同步检测解码、降低复杂度且提升误码率性能。
2025-03-17 eess.SP
Dual-Mapping Sparse Vector Transmission for Short Packet URLLC
School of Electrical Engineering & Intelligentization, Dongguan University of Technology(东莞理工学院电气与智能工程学院);School of Electronic and Information Engineering, Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳)电子与信息工程学院);School of Electronic and Information Engineering, Guangxi Normal University(广西师范大学电子与信息工程学院);Continental-NTU Corporate Laboratory, Nanyang Technological University(南洋理工大学大陆-NTU企业联合实验室)
本文提出双映射稀疏向量传输方案,通过块和单元素稀疏映射提升短包URLLC的传输性能,优化解码准确性和频谱效率。
2026-01-22 eess.SP
Near-Optimal Lower Bounds on One-Bit Compressed Sensing of Approximately Sparse Signals
Columbia University(哥伦比亚大学);Halıcıoğlu Data Science Institute, UC San Diego(哈奇奥卢数据科学研究所,加州大学圣迭戈分校)
研究近似稀疏信号的一位压缩感知的近最优下界,通过将小球嵌入信号集,为标准和抖动模型建立下界,扩展到$\ell_q$球中的信号,还讨论了下界到其他情况的扩展及非稀疏情况的转变。
2026-07-09 cs.IT eess.SP math.IT
Start Stop Bit Method for Efficient Data Communication in 6G Mobile Radio Systems
本文提出启停位方法,通过仅传输启停位实现6G分布式MIMO中的高效稀疏数据传输,并进一步提出稀疏dMIMO系统以增强资源利用。
2024-02-06 cs.IT eess.SP math.IT
One Bit to Rule Them All : Binarizing the Reconstruction in 1-bit Compressive Sensing
这项工作的重点是重建稀疏信号从他们的1位测量。上下文是1位压缩感知的上下文,其中测量相当于量化(抖动)随机投影。我们的主要贡献表明,除了测量过程,我们还可以用传感矩阵的二进制化来重建信号。测量和感测矩阵的这种二进制表示可以极大地简化嵌入式系统上的硬件架构,从而实现更便宜、更节能的替代方案。在这个框架内,给定一个传感矩阵尊重的限制等距属性(RIP),我们证明了任何稀疏信号的量化投影反投影(QPBP)算法实现了重建误差衰减像O(m-1/2)时,测量的数量m增加。仿真突出了不同的传感场景,包括随机部分傅立叶传感的实用性的开发计划。
2020-08-24 cs.IT eess.SP math.IT
Hierarchical Sparse Vector Transmission for Ultra Reliable and Low Latency Communications
Dongguan University of Technology(东莞理工学院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
本文提出一种分层稀疏向量传输方案,用于多用户超可靠低时延通信,通过分层结构提升传输效率和可靠性。
2026-01-19 cs.IT eess.IV eess.SP
Multivariate Copula Spatial Dependency in One Bit Compressed Sensing
在这封信中,稀疏信号重建的问题,从一位压缩感知测量的研究。为了解决这个问题,变分贝叶斯框架与一个新的统计多元模型。小波分解系数的依赖性建模与多元高斯copula。该模型可以将系数的边缘结构与其尺度内依赖性分离。特别地,提出了可绘制的Gaussian vine copula多元双Lomax模型.利用变分贝叶斯算法可以计算所有未知参数和稀疏信号后验的封闭形式,得到重构信号。数值结果表明,所提出的模型和算法的有效性相比,在文献中的竞争方法。
2017-11-25 cs.IT eess.SP math.IT
PADE: A Predictor-Free Sparse Attention Accelerator via Unified Execution and Stage Fusion
School of Integrated Circuits, BNRist, Tsinghua University(清华大学集成电路学院,北京信息科学与技术国家研究中心);School of Computer Science and Engineering, Shanghai Jiao Tong University(上海交通大学计算机科学与工程系);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
PADE通过统一执行和阶段融合技术,实现无预测的稀疏注意力加速,提升硬件效率和能效。
2026-01-11 cs.AR eess.SP
One-bit Compressed Sensing using Generative Models
ANDRO Computational Solutions(安卓计算解决方案公司);Syracuse University(雪城大学);Delft University of Technology(代尔夫特理工大学)
本文提出利用预训练生成模型在其值域内搜索的一比特压缩感知重建算法,给出精度与样本复杂度理论保证,并在 MNIST、Fashion-MNIST 和 Omniglot 上验证其优越性能。
2025-02-18 cs.LG eess.SP
DeepFPC: Deep Unfolding of a Fixed-Point Continuation Algorithm for Sparse Signal Recovery from Quantized Measurements
Shenzhen University(深圳大学);Vrije Universiteit Brussel(布鲁塞尔自由大学);imec(比利时微电子研究中心)
我们提出了DeepFPC,这是一种新型的深度神经网络,通过展开具有单侧l1范数的定点连续算法(FPC-l1)的迭代来设计,该算法已被提出用于解决1位压缩感知问题。该网络架构类似于深度残差学习的网络架构,并结合了关于信号结构的先验知识(即,稀疏性),从而通过设计提供可解释性。一旦DeepFPC得到正确的训练,稀疏信号就可以从量化的测量中快速准确地恢复。该模型在到达方向(DOA)估计的任务进行评估,并表现出优于国家的最先进的算法,即迭代FPC-L1算法和1位MUSIC方法。
2019-12-04 cs.LG eess.SP stat.ML
Instance Optimal Sparse Recovery from Nonlinear Observations: A Unified Framework
Columbia University(哥伦比亚大学)
本文提出统一框架,基于信号相关RAIC条件保证迭代硬阈值法实例最优性,将其应用于三类非线性测量问题,证明对应算法的实例最优性并补充已有结果,还得到非均匀实例最优保证。
2026-09-03 cs.IT eess.SP math.IT
High Dimensional Statistical Estimation under Uniformly Dithered One-bit Quantization
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
在本文中,我们提出了一个均匀抖动的1比特量化方案的高维统计估计。该方案包含截断,抖动和量化作为典型的步骤。作为典型的例子,量化方案被应用于稀疏协方差阵估计、稀疏线性回归(即,压缩感测)和矩阵完成。我们研究了亚高斯和重尾制度,其中重尾数据的基本分布被假设为具有一定数量级的有界矩。我们提出了新的估计的基础上1位量化的数据。在亚高斯制度,我们的估计达到近极大极小率,表明我们的量化方案的成本非常少。在重尾的制度,而我们的估计的速度变得本质上更慢,这些结果要么是第一个在1位量化和重尾设置,或已经改善现有的可比结果从某些方面。根据我们设置中的观察,压缩感知和矩阵完成的速率几乎是紧的。我们的1比特压缩感知结果具有亚高斯甚至重尾的一般感知向量。我们还首先研究了一种新的设置,其中协变量和响应都是量化的。此外,我们的方法1位矩阵完成不依赖于可能性,并代表第一种方法鲁棒性的预量化噪声与未知的分布。合成数据的实验结果支持我们的理论分析。
2023-01-20 cs.LG eess.SP stat.ML