A Bayesian Lasso based Sparse Learning Model
University of Bergen(卑尔根大学)
贝叶斯套索是在线性回归框架下构造的,并应用吉布斯抽样来估计回归参数。本文提出了一种新的稀疏学习模型,命名为贝叶斯套索稀疏(BLS)模型,它采取了贝叶斯套索的分层模型公式。与原始贝叶斯套索的主要区别在于估计过程; BLS方法使用基于类型II极大似然过程的学习算法。与贝叶斯套索相反,BLS提供了回归参数的稀疏估计。通过引入核函数,得到了非线性监督学习问题的BLS方法。我们比较了BLS模型,众所周知的相关向量机,快速拉普拉斯方法,BLS套索,套索,模拟和真实数据。数值结果表明,该算法具有稀疏性和精确性,特别是在处理噪声和不规则数据集时。
2022-07-14 cs.LG stat.ML
Scalable Bayesian Optimization with Sparse Gaussian Process Models
Deakin University(迪肯大学)
该研究围绕贝叶斯优化,提出结合导数信息与可扩展稀疏高斯过程,以加快收敛并处理海量数据。
2020-10-26 cs.IR cs.LG stat.ML
A Fast Non-Gaussian Bayesian Matching Pursuit Method for Sparse Reconstruction
提出了一种基于贝叶斯方法的快速匹配追踪稀疏信号恢复方法。该方法被称为nGpFBMP,即使当信号先验是非高斯或未知时,也执行稀疏信号的贝叶斯估计。它是不可知的信号统计,并利用先验统计的加性噪声和稀疏率的信号,这是很容易估计的数据,如果没有。nGpFBMP利用一个贪婪的方法和顺序递归更新的度量,找到最主要的稀疏支持,以确定近似的最小均方误差(MMSE)估计的稀疏信号。仿真结果表明,我们提出的估计的权力和鲁棒性。
2012-06-19 stat.OT
Bayesian sparse convex clustering via global-local shrinkage priors
NTT Advanced Technology Corporation(NTT先进技术公司);The University of Electro-Communications(电气通信大学)
稀疏凸聚类是在凸聚类框架下对观测值进行聚类的同时进行变量选择。虽然加权$L_1$范数通常用于稀疏凸聚类中的正则化项,但如果样本量不足,则其使用增加了对数据的依赖性并降低了估计精度。针对这些问题,本文提出了一种基于贝叶斯套索和全局-局部收缩先验的贝叶斯稀疏凸聚类方法。我们引入吉布斯抽样算法,我们的方法使用的比例混合正态分布。仿真研究和实际数据分析表明了所提出方法的有效性。
2020-05-26 cs.LG stat.ME stat.ML
Sparse Functional Data Classification via Bayesian Aggregation
针对稀疏函数型数据分类难题,提出融合 FPCA、bootstrap 概率聚合与 Bayesian GLM 贝叶斯校准的方法,模拟和三项真实数据分析均验证其准确率优于传统方法。
2025-03-13 stat.CO
A Fast Iterative Bayesian Inference Algorithm for Sparse Channel Estimation
本文提出了一种基于导频符号观测值的多载波贝叶斯信道估计算法。利用无线多径信道固有的稀疏性,通过建模多径分量的增益的先验分布与Bessel K概率密度函数的分层表示,然后将一种高效,快速的迭代贝叶斯推断方法应用于所提出的模型。由此产生的估计优于其他国家的最先进的贝叶斯和非贝叶斯估计,无论是通过产生较低的均方估计误差或通过达到相同的精度与改进的收敛速度,如我们的数值评估。
2013-03-06 cs.IT math.IT stat.ML
Bayesian Masking: Sparse Bayesian Estimation with Weaker Shrinkage Bias
Kyoto University(京都大学);National Institute of Informatics(国立信息学研究所)
稀疏线性回归的一个常见策略是引入正则化,通过使相应的权重为零来消除不相关的特征。然而,正则化经常缩小相关特征的估计量,这导致不正确的特征选择。出于上述问题,我们提出了贝叶斯掩蔽(BM),稀疏估计方法,不施加正则化的权重。BM的关键概念是引入随机屏蔽特征的二进制潜变量。估计掩蔽率自动确定特征的相关性。我们推导出一个变分贝叶斯推断算法,最大限度地提高了下界的因子分解信息准则(FIC),这是最近开发的渐近标准,用于评估边际对数似然。此外,我们提出了重新参数化,以加速收敛的派生算法。最后,我们表明,BM优于Lasso和自动相关性确定(ARD)的稀疏收缩权衡。
2015-10-06 cs.LG stat.ML
Hybrid Transceiver Design for Tera-Hertz MIMO Systems Relying on Bayesian Learning Aided Sparse Channel Estimation
设想了依赖于稀疏信道状态信息(CSI)估计技术的多输入多输出(MIMO)太赫兹(THz)系统中的混合收发器设计。首先,一个实用的MIMO信道模型开发的太赫兹波段,包括其分子吸收和反射损耗,以及其非视线(NLoS)射线与其扩散组件。随后,一种新的CSI估计模型推导出利用太赫兹MIMO信道的角度稀疏。然后,正交匹配追踪(OMP)为基础的框架的构想,其次是设计一个复杂的贝叶斯学习(BL)为基础的方法,有效地估计稀疏太赫兹MIMO信道。贝叶斯克拉美-罗下限(BCRLB)也被确定为基准性能的CSI估计技术的发展。最后,一个最佳的混合发送预编码器和接收机组合器对的设计,它直接依赖于波束域CSI估计,只需要有限的反馈。最后,仿真结果提供了量化的改进的均方误差(MSE),频谱效率(SE)和误比特率(BER)性能的实际太赫兹MIMO信道上的传输从高分辨率传输(HITRAN)数据库获得。
2022-01-11 eess.SP
Enhancing Spatial Multiplexing and Interference Suppression for Near- and Far-Field Communications with Sparse MIMO
本文研究收发端均采用稀疏阵列的 MIMO,揭示其近场 EDoF 与速率缩放规律,提出稀疏度选择策略,并证明其可增强空间复用且抑制多用户 IUI。
2024-08-04 eess.SP
Adaptive Structured Sparse Bayesian Learning for Near-Field Non-Stationary Channel Estimation in XL-MIMO Systems
本文提出一种自适应结构稀疏贝叶斯学习框架,用于XL-MIMO系统中的近场非稳态信道估计,通过自适应字典更新提升表示能力,同时开发层次化先验模型以高效推断。
2026-04-13 eess.SP
Cognitive-Driven Optimization of Sparse Array Transceiver for MIMO Radar Beamforming
认知多输入多输出(MIMO)雷达能够在复杂的动态环境中通过感知和学习自适应地调整系统参数。MIMO雷达的波束形成性能受波束形成权系数和收发机配置的影响。我们提出了一种认知驱动的MIMO阵列设计,其中波束形成权重和收发器配置都是自适应的,并在不同的环境条件下同时优化。感知-动作循环包括全虚拟阵列数据采集、协方差重构和天线选择联合设计收发阵列,通过迭代最小化加权混合L21范数提高二维组稀疏度,实现收发阵列的最优设计,并对收发天线间距施加约束以保证收发隔离度。仿真结果表明,该认知稀疏MIMO阵列在动态目标和干扰环境下具有良好的“感知-动作”能力,能够有效地增强波束形成和抗干扰能力。
2021-03-04 eess.SP
Sparse Array Transceiver Design for Enhanced Adaptive Beamforming in MIMO Radar
借助新兴的快速传感器切换技术,稀疏阵列设计可以通过减少昂贵的收发器链的数量来降低整体系统开销。在本文中,我们研究了有源稀疏阵列的设计,使最大的信号干扰加噪声比(MaxSINR)波束形成在MIMO雷达接收机。所提出的方法需要一种包围设计,即,联合选择最佳发射和接收传感器位置,以实现MaxSINR接收波束成形。具体来说,我们考虑一个共置的多输入多输出(MIMO)雷达平台与正交发射波形,并检查在发射和接收阵列的天线选择。最佳的有源稀疏阵列收发器的设计问题,制定了连续凸近似(SCA)的二维组稀疏促进正则化。几个例子来证明所提出的方法在利用给定的发射/接收阵列孔径和自由度,实现最大信干噪比波束成形的有效性。
2021-02-20 eess.SP
Sparse array design for MIMO radar in multipath scenarios
针对多径场景中MIMO雷达虚拟阵列假设失效的问题,本文提出新的稀疏线性阵列设计准则,并采用坐标下降框架下的循环优化策略进行设计,以改善直达路径和多径目标的DOD-DOA成像效果。
2024-01-16 eess.SP
On the Capacity of Reconfigurable Intelligence Surface: the Sparse Channel Case
针对稀疏信道下的RIS辅助MIMO通信,通过利用稀疏性在奇异空间最大化容量,开发高效算法,并证明RIS反射信道支持高秩传输更困难。
2023-10-12 eess.SP
A Linear Bayesian Learning Receiver Scheme for Massive MIMO Systems
超可靠低延迟通信(URLLC)业务对可靠性和处理延迟的要求使得线性大规模多输入多输出(M-MIMO)接收机的设计变得非常具有挑战性。最近,贝叶斯的概念已被用来提高检测的可靠性,在最小均方误差(MMSE)的线性接收机。然而,由于MMSE方案中矩阵求逆运算的指数复杂度,延迟处理时间是主要关注点。本文提出了一种迭代M-MIMO接收机,它是通过使用贝叶斯概念和并行干扰消除(PIC)计划,称为线性贝叶斯学习(LBL)接收机。PIC具有线性复杂度,因为它使用最大比组合(MRC)和决策统计组合(DSC)方案的组合来避免矩阵求逆操作。仿真结果表明,在不同的M-MIMO系统配置下,该接收机的误比特率(BER)和时延处理性能均优于MMSE和最佳贝叶斯接收机,其$2$ dB和$19$倍均最小。
2021-10-27 cs.IT eess.SP math.IT
Sparse MIMO for ISAC: New Opportunities and Challenges
本文针对6G通感一体化(ISAC)需求,提出取消半波长间距限制的稀疏MIMO架构,综述其架构、优势、挑战与设计问题,通过数值实验验证性能并指明未来研究方向。
2024-06-18 cs.IT eess.SP math.IT
Sparse Subspace Decomposition for Millimeter Wave MIMO Channel Estimation
毫米波多输入多输出(MIMO)通信系统必须在稀疏的无线链路上操作,并且将需要大的天线阵列来提供高吞吐量。为了获得足够的阵列增益,这些系统必须学习和适应信道状态条件。然而,传统的MIMO信道估计不能直接扩展到毫米波,这是由于对有效的毫米波操作施加在可用RF链的数量上的限制。在信道估计中,稀疏子空间扫描技术是从探测到的子空间样本中寻找最佳子空间样本的一种方法,但随着阵列规模的增大,这种方法的性能开始恶化,特别是对于混合预编码结构。毫米波信道估计的挑战仍然存在,并且在系统可以被部署和使用到其全部潜力之前应该被适当地解决。在这项工作中,我们提出了一种稀疏子空间分解(SSD)技术的稀疏毫米波MIMO信道估计。我们将信道估计公式化为最小化与接收到的子空间样本的子空间距离的优化问题。交替优化技术被设计来处理非凸问题。数值模拟表明,该方法优于其他现有的技术与显着低的开销。
2019-04-16 eess.SP
A Bayesian Receiver with Improved Complexity-Reliability Trade-off in Massive MIMO Systems
第五代($5$ G)蜂窝网络对可靠性和处理延迟的严格要求给大规模多输入多输出(M-MIMO)接收机的设计带来了相当大的挑战。M-MIMO接收器的两个主要组件是检测器和解码器。为了改善可靠性和复杂性之间的权衡,贝叶斯概念已被认为是一种有前途的方法,增强了经典的检测器,例如最小均方误差检测器。本文提出了一种基于贝叶斯框架的迭代M-MIMO检测器,并行干扰消除方案和决策统计组合概念。然后,我们开发了一个高性能的M-MIMO接收机,结合所提出的检测器与低复杂度的极性码顺序解码。仿真结果表明,与其他低复杂度检测器相比,该检测器具有显著的性能增益。此外,所提出的具有顺序解码的M-MIMO接收器确保了与具有用于来自5G新无线电标准的极化码的堆栈连续消除解码的接收器相比低一个数量级的复杂度。
2021-10-27 cs.IT eess.SP math.IT
Bayesian User Localization and Tracking for Reconfigurable Intelligent Surface Aided MIMO Systems
研究了可重构智能表面(RIS)辅助的多天线多输入多输出(MIMO)系统中的用户定位与跟踪问题。通过建立一个概率转移模型的用户移动性,我们开发了一个消息传递算法,称为贝叶斯用户定位和跟踪(BASEAN)算法,估计和跟踪用户的位置和到达角(AoAs)在用户在线的方式。我们还推导出贝叶斯CramérRao界(BCRB)来表征所考虑的跟踪问题的基本性能限制。为了提高跟踪性能,我们在BS和RIS处优化波束形成设计以最小化导出的BCRB。仿真结果表明,我们的BCRB算法可以执行接近派生BCRB,并显着优于同行的算法,而不利用用户位置的时间相关性。
2021-12-09 eess.SP
Compressive Sensing Based Sparse MIMO Array Optimization for Wideband Near-Field Imaging
在毫米波近场成像领域,广义稀疏阵列综合(SAS)方法的需求量很大。传统的方法通常采用贪婪算法,这可能存在收敛问题。提出了一种基于压缩感知(CS)方法的多输入多输出(MIMO)阵列设计的凸优化模型。我们产生一个块状的参考图案,作为一个优化目标。该图案占据整个感兴趣的成像区域,以便将每个像素的效果纳入优化模型。在MIMO场景中,我们可以固定发射子阵列并合成接收子阵列,反之亦然,或者依次进行合成。详细讨论了合成阵列的聚焦、旁瓣抑制和栅瓣抑制等问题。数值计算和实验结果表明,合成的稀疏阵列可以提供更好的图像质量比稀疏阵列等间距或随机间距的天线与相同数量的天线单元。
2022-08-09 eess.SP
Structure-aware Sparse Bayesian Learning-based Channel Estimation for Intelligent Reflecting Surface-aided MIMO
本文提出基于稀疏贝叶斯学习的级联信道估计方法,利用角度稀疏性和Kronecker结构,通过交替最小化和奇异值分解求解非凸问题,在精度和速度上优于现有方法。
2022-10-24 eess.SP
Demonstration of 3D ISAR Security Imaging at 24GHz with a Sparse MIMO Array
利用稀疏MIMO阵列进行了24 GHz的三维ISAR安全成像实验。MIMO阵列是一个8 Tx/16 Rx线性阵列,以实现沿垂直维度的实孔径成像。它与工作在22 GHz-26 GHz的低成本FMCW收发器进行时间交换复用。提出了一种校准方法来校准MIMO阵列中的信道不平衡。实验是在人体在小车上运动的情况下进行的,利用人体的直线运动形成水平方向的逆合成孔径。为了跟踪人体的运动,三维深度相机作为辅助传感器来捕获目标的粗略位置,以辅助ISAR成像。反投影成像算法在GPU上实现,以准实时运行。最后,进行了实验与真实的人与隐藏的对象和初步的自动目标识别算法的基础上卷积神经网络的开发和评估的真实数据。
2019-08-19 eess.SP
Exploiting Structured Sparsity with Low Complexity Sparse Bayesian Learning for RIS-assisted MIMO Channel Estimation
针对RIS辅助MIMO通信信道估计的精度与复杂度问题,提出低复杂度的UAMPSBL-PCI算法以利用信道结构化稀疏性,仿真证明其性能优于现有算法。
2023-08-02 eess.SP
Integrated Localization and Communication with Sparse MIMO: Will Virtual Array Technology also Benefit Wireless Communication?
针对6G集成定位与通信,本文提出稀疏MIMO方案,证明虚拟阵列不利于通信而利于定位,采用物理阵列通信与虚拟阵列定位的混合处理,实现性能提升。
2025-02-25 eess.SP
Bayesian Linear Regression with Cauchy Prior and Its Application in Sparse MIMO Radar
本研究提出带柯西先验的贝叶斯线性回归稀疏信号恢复算法,通过近似期望最大化设计超参数更新策略,在不同场景下性能优于现有算法,可高效实现MIMO雷达高分辨率目标成像。
2023-07-20 eess.SP
Defect Detection by MIMO Wireless Sensing based on Weighted Low-Rank plus Sparse Recovery
提出了一种基于压缩感知的多输入多输出(MIMO)无线雷达缺陷检测方法。这里,缺陷在层状材料结构内部,因此,由于来自层状材料结构的表面的反射,缺陷检测是具有挑战性的。通过利用分层材料结构的反射的低秩性质和缺陷的稀疏性质,我们提出了一种基于秩最小化和稀疏恢复的方法。为了提高低秩和稀疏分量的恢复精度,提出了一种基于迭代重加权核范数和迭代重加权$\ell_1-$范数算法的非凸方法.我们的数值结果表明,所提出的方法是能够分层和恢复的缺陷和分层结构的信号响应成功地从大量减少的观察。此外,所提出的方法优于国家的最先进的杂波抑制方法
2022-02-19 eess.SP
Robust Beamforming for Downlink 3D-MIMO Systems with $l_1$-norm Bounded CSI Uncertainty
提出了一种新的三维多输入多输出(3D-MIMO)系统中的鲁棒波束形成方案。作为大规模多输入多输出的典型部署之一,3D-MIMO系统在角域上具有稀疏信道。因此,各种稀疏信道估计算法产生稀疏信道估计误差,其可用于缩小不完美CSI的扰动区域。针对鲁棒波束形成问题,提出了一种$l_1$ -范数有界的信道不确定性模型,该模型充分考虑了信道误差的稀疏性.与传统的球形不确定性相比,我们证明了在相同的信干噪比(SINR)门限下,具有$l_1$范数有界不确定性的方案消耗更少的波束形成功率。该方案被转化为二阶锥规划(SOCP)和仿真结果验证了我们的算法的有效性。
2018-11-01 eess.SP
Sparse Near-Field Channel Estimation for XL-MIMO via Adaptive Filtering
针对近场体制下XL-MIMO系统的稀疏信道估计问题,提出基于自适应滤波的PD-ZALMS框架,相比极坐标域正交匹配追踪显著提升估计精度并降低计算复杂度,在低至中等信噪比下优于oracle最小二乘估计器。
2025-08-12 eess.SP
Bayesian Deep End-to-End Learning for MIMO-OFDM System with Delay-Domain Sparse Precoder
本文提出一种基于延迟域稀疏预编码的DNN端到端MIMO-OFDM架构与贝叶斯模型辅助训练框架,在将导频开销降低8倍的同时显著提升了信道估计性能并大幅降低了计算复杂度。
2025-04-29 eess.SP
Grouped Sparse Bayesian Estimation for Near-Field Massive MIMO Channels
School of Electronic Science and Engineering, Nanjing University(南京大学电子科学与工程学院);National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室)
针对近场大规模MIMO信道估计问题,提出感知可见性的块稀疏贝叶斯算法,仿真显示其信道估计NMSE低于基准方案。
2026-10-19 eess.SP
Cross-Predictive Sparse Bayesian Learning with Application to XL-MIMO Channel Estimation
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
提出交叉预测稀疏贝叶斯学习(CP-SBL),通过最小化随机交叉预测目标替代似然最大化来学习稀疏诱导权重,用于近场XL-MIMO信道估计,在多种条件下均优于传统SBL。
2026-05-27 eess.SP
Bayesian Learning Aided Simultaneous Sparse Estimation of Dual-Wideband THz Channels in Multi-User Hybrid MIMO Systems
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Qualcomm India Pvt. Ltd.(高通印度私人有限公司);Samsung Semiconductor India Research(三星半导体印度研究所);University of Southampton(南安普顿大学)
本研究针对多用户太赫兹混合MIMO系统的双宽带信道估计问题,提出贝叶斯组稀疏回归方法,结合实用信道模型和低分辨率ADC设计,通过仿真验证其在NMSE和BER性能上优于其他稀疏估计技术。
2025-11-15 eess.SP
Joint Low-Rank and Sparse Bayesian Channel Estimation for Ultra-Massive MIMO Communications
Purple Mountain Laboratories(紫金山实验室)
本文提出了一种联合低秩与稀疏贝叶斯估计算法,用于超大规模MIMO通信中的信道估计,提升了估计精度和复杂度性能。
2025-12-04 cs.IT eess.SP math.IT
Dual-Function MIMO Radar Communications System Design Via Sparse Array Optimization
通过部署双功能雷达通信系统,可以缓解频谱拥塞和频率带宽竞争,其中雷达平台将其自身呈现为辅助通信功能的机会系统。本文提出了一种利用稀疏天线阵结构将通信信息嵌入到多输入多输出(MIMO)雷达发射信号中的新技术。传感器阵列中天线位移引起的相位是唯一的,这使得阵列配置用于符号嵌入是可行的。我们还利用了这样一个事实,即在MIMO雷达系统中,独立波形与发射天线的关联可以在不同的脉冲重复周期内改变,而不会影响雷达功能。我们表明,通过重新配置稀疏的发射阵列,通过天线选择和重新排序波形天线配对,每秒兆比特的数据速率可以实现一个中等数量的发射天线。为了抵消实际的实施问题,我们提出了一个正规化的天线选择为基础的信令方案。分析了可能的数据速率,并推导出符号/误比特率。仿真例子提供的性能评估,并证明所提出的DFRC技术的有效性。
2018-08-15 eess.SP
Exploring the Advantages of Sparse Arrays in Near-Field XL-MIMO Systems: Beam Analysis and EDoF Function
Pervasive Communication Research Center, Purple Mountain Laboratories(紫金山实验室泛在通信研究中心)
本文研究近场XL-MIMO稀疏均匀平面阵列,推导波束功率闭式解,提出参数约束与算法精确估计EDoF,验证了稀疏阵列在距离聚焦和栅瓣抑制上的优势。
2025-10-15 eess.SP
A Variational Bayesian Perspective on Massive MIMO Detection
大规模多输入多输出(MIMO)系统中的最优数据检测需要过高的计算复杂度。文献中已经提出了各种检测算法,在复杂度和检测性能之间提供不同的权衡。在本文中,我们建立在变分贝叶斯(VB)推理设计低复杂度的多用户检测算法的大规模多输入多输出系统。我们首先研究了大规模多输入多输出检测问题与完美的信道状态信息在接收机(CSIR),并表明,传统的VB方法与已知的噪声方差产生不良的检测性能。为了解决这个问题,我们设计了两个新的VB算法,使用噪声方差和协方差矩阵假设的算法本身。我们进一步开发了用于具有不完美CSIR的大规模多输入多输出检测的VB框架。仿真结果表明,所提出的VB方法实现了显着较低的检测误差相比,现有的计划,为广泛的信道模型。
2022-05-23 cs.IT eess.SP math.IT
Bayesian Compressive Channel Estimation for Hybrid Full-Dimensional MIMO Communications
高效的信道估计在全维多输入多输出通信系统中是具有挑战性的,特别是在具有混合数模架构的通信系统中。在压缩感知框架下,这封信首先设计了一个统一的字典的基础上的球形Fibonacci网格表示在稀疏域中的通道,产生更小的角度误差在三维波束空间比传统的字典。然后,贝叶斯推理辅助贪婪追求算法的频率域信道估计。最后,仿真结果表明,所设计的字典和提出的贝叶斯信道估计优于基准方案,并获得较低的归一化均方误差的信道估计。
2021-12-29 cs.IT eess.SP math.IT
Bayesian Learning-Aided Near-Field Channel Estimation for mmWave Hybrid MIMO systems employing Uniform Circular Array
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Indian Institute of Technology Jodhpur(焦特普尔印度理工学院)
本文提出环形贝叶斯信道学习框架,结合贝叶斯学习与近场信道估计,解决毫米波混合MIMO系统中用户进入近场区域的问题,并利用均匀圆阵提升波束成形性能。
2026-05-07 eess.SP
Sparse Linear Precoders for Mitigating Nonlinearities in Massive MIMO
射频链非线性效应的处理是实现超大规模多天线系统的关键问题。实现大规模MIMO可能带来的显著增益需要信号处理算法系统地考虑这些影响。在这里,我们提出了一种计算效率高的线性预编码方法,满足低峰均功率比(PAPR)和低分辨率D/A转换器(DAC)的要求。该方法基于预编码矩阵的稀疏正则化,并且在预编码信号PAPR以及处理复杂度方面提供了优势。通过仿真,我们发现该方法大大改善了传统的线性预编码器。
2021-06-27 cs.IT eess.SP math.IT
Sparse Layered MIMO with Iterative Detection
在本文中,我们提出了一种新的传输方案,称为稀疏分层MIMO(SL-MIMO),结合非正交传输和奇异值分解(SVD)预编码。SL-MIMO的非正交性使得本征信道可以被重用,通过提高编码增益和分集增益,提高了系统的频谱效率和出错率性能。我们还提出了一个低复杂度的消息传递(MP)检测器的建议SL-MIMO系统,执行非常接近最大似然(ML)。通过计算有序特征值的联合矩母函数(MGF),得到了SL-MIMO系统平均字错误概率(AWEP)的上界表达式,并利用该表达式分析了系统的分集增益。我们使用我们的分析结果来设计次优码本,以最大限度地减少出错率的SL-MIMO系统。在4元、16元和64元星座的4 × 4和6 × 6多输入多输出(MIMO)系统中的仿真结果表明,我们提出的SL-MIMO方案在系统出错率性能方面优于竞争方法,如X和Y码。在具有64元星座的6x6 MIMO系统中,SL-MIMO与X码相比具有5.6dB的优势,与Y码相比具有4.7dB的优势。
2021-11-22 cs.IT eess.SP math.IT
Height estimation for automotive MIMO radar with group-sparse reconstruction
提出了一种利用相干或互不相干MIMO阵列对运动车辆前方远距离小目标的方位角和高度进行序贯估计的方法。该模型考虑了由镜面非扩散地面反射产生的近场多径信号的相位和幅度,其中假设由于与地面的相互作用而引起的反射相移和功率衰减是未知的。组稀疏性允许组合沿着车辆的轨迹的测量值,前提是道路是平坦的,以及来自车辆中不同位置处的多个不相干传感器的测量值。仿真结果表明,所提出的方法显着提高了估计精度,减少了误报,这两个在远距离小物体的检测至关重要。该模型适用于非均匀稀疏阵列,并可用于高度估计,使用有效的方法,如块正交匹配追踪。
2019-04-22 eess.SP
Sparse Antenna Array Design for MIMO Radar Using Softmax Selection
MIMO发射阵列允许发射波束图案的灵活设计。然而,使用均匀线性阵列(ULA)实现某些性能所需的大量元件可能成本太高。这激发了通过适当地选择少量的元件以保持完整的阵列波束图来细化阵列的需要。在本文中,我们提出了学习选择(L2S),一种新的机器学习模型,用于从密集的天线中选择天线,该模型采用正交化标准约束的多个Softmax层的组合。所提出的方法可以有效地扩展为更大的问题,因为它避免了组合爆炸的选择问题。它还提供了一个灵活的阵列设计框架,因为选择问题可以很容易地制定任何度量。
2021-02-09 eess.SP
Off-Grid DOA Estimation Using Sparse Bayesian Learning in MIMO Radar With Unknown Mutual Coupling
在实际的多天线雷达中,天线的非理想性会降低系统的性能。研究了天线间互耦效应未知的多输入多输出(MIMO)雷达系统的波达方向(DOA)估计问题。为了利用目标在空间域的稀疏性,基于压缩感知(CS)的方法通过对检测区域进行离散化并构造字典矩阵来实现,因此离散化过程会导致\emph{off-grid}间隙。与现有的DOA估计方法不同,本文同时考虑了稀疏采样引起的离网间隙和天线间未知的互耦效应,建立了一种新的稀疏系统DOA估计模型。然后,提出了一种基于稀疏贝叶斯学习的互耦稀疏贝叶斯学习方法(sparse Bayesian learning with the mutual coupling,SBLMC),该方法基于期望最大值(expectation-maximum,EM)方法对噪声方差、互耦向量、离网向量和散射系数方差向量等未知参数进行估计。此外,所有未知参数的先验分布的理论推导。对于未知互耦效应的MIMO雷达,SBLMC方法在保持可接受的计算复杂度的同时,其DOA估计性能优于现有方法。
2022-03-19 eess.SP
Over-the-Air Federated Learning Over MIMO Channels: A Sparse-Coded Multiplexing Approach
本文针对空中联邦学习(OA-FL)的通信瓶颈,提出稀疏编码复用(SCoM)方法结合MIMO技术平衡通信开销与学习性能,推导了性能损失上界,并基于AO和ADMM设计低复杂度算法以最小化梯度聚合误差。
2023-04-10 eess.SP
A Variational Bayesian Inference-Inspired Unrolled Deep Network for MIMO Detection
深度学习(DL)的巨大成功激励研究人员为多输入多输出(MIMO)系统开发更准确、更高效的符号检测器。然而,现有的基于DL的MIMO检测器存在若干缺点。为了解决这些问题,在本文中,我们开发了一个模型驱动的DL检测器的基础上变分贝叶斯推理。具体而言,建议展开DL架构的灵感来自于一个无逆变分贝叶斯学习框架,该框架通过最大化宽松的证据下限来规避矩阵求逆。分别针对独立同分布(i.i.d.)高斯信道和任意相关信道。建议的网络,被称为VBinet,只有几个可学习的参数,因此可以有效地训练与适量的训练样本。所提出的基于VBinet的检测器可以在离线和在线训练模式下工作。我们提出的网络与最先进的MIMO检测网络(如OAMPNet和MMNet)相比的一个重要优势是,VBinet可以自动从数据中学习噪声方差,从而在存在噪声方差不确定性的情况下,与OAMPNet和MMNet相比,性能得到了显着提高。仿真结果表明,所提出的基于VBinet的检测器实现了竞争力的性能,无论是i.i.d.高斯和现实的3GPP MIMO信道。
2022-01-11 cs.IT eess.SP math.IT
Nonlinear Sparse Bayesian Learning Methods with Application to Massive MIMO Channel Estimation with Hardware Impairments
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
本文提出非线性稀疏贝叶斯学习方法,用于大规模MIMO信道估计中的硬件损伤建模,通过高斯过程回归提升估计精度与计算效率。
2026-02-19 eess.SP
Multi-objective Design of Uniform Sparse MIMO Arrays
研究了稀疏MIMO阵列多目标检测性能的多目标设计问题。有效利用天线设计资源的一种新方法,即,可用的阵列单元的数量,和阵列孔径的角度波束形成性能指标,如波束宽度,峰旁瓣比(PSLR),和栅瓣有限的视野进行了研究。还考虑了限制约束、元件的物理尺寸和互耦。稀疏的完全填充均匀的MIMO天线阵列,形成有效的均匀稀疏阵列(美国),作为这里提出的术语,被检查为他们的能力,提高可用的视野(uFOV),波束宽度(BW),和峰旁瓣比(PSLR)使用更少的物理天线元件,同时。稀疏阵列需要更少的阵元就可以在波束宽度上优于均匀线阵和矩形阵。此外,目前还没有考虑物理尺寸限制的严格设计过程。在这里,我们提出了一个实用的设计架构,这样一个均匀的稀疏阵列在多个矛盾的目标。新的均匀稀疏阵列的角分辨率性能进行了比较,与标准的天线阵和URA。它示出,即使当元件的物理尺寸非常大时,具有小的元件间间距的阵列的设计,避免任何栅瓣是可能的。将可用的元件扩展到更大的孔径提供了更好的角分辨率。然而,它也表明,这些优点来增加旁瓣的成本。仿真和实测结果都表明了所提出的均匀稀疏阵列设计的优越性相比,经典的完全填充均匀阵列。
2022-10-20 eess.SP
Sparse Joint Transmission for Cell-Free Massive MIMO: A Sparse PCA Approach
无小区大规模多输入多输出(MIMO)是一种很有前途的蜂窝网络。在该网络中,大量分布的多天线接入点(AP)使用相同的时频资源共同为多个单天线用户提供服务。因此,它可能通过经由以用户为中心的联合传输消除小区边界处的干扰来向用户提供统一的服务体验,而不管用户的位置如何。然而,这种联合传输需要极高的信令开销以用于经由回程链路的数据共享,并且导致高的网络范围的功耗。为了解决这些问题,在本文中,我们提出了一种新的联合传输方法,这是被称为稀疏联合传输(sparse-JT),无小区大规模多输入多输出网络有限的回程容量的限制。稀疏JT联合地标识以用户为中心的协作AP集合、用于波束成形和压缩的预编码向量、以及在每个联合传输的活动AP的总数是稀疏的约束下最大化和频谱效率的下限的功率分配。该算法保证确定一个放松的和谱最大化问题的局部最优解。通过仿真,我们表明,稀疏JT实现更高的遍历频谱效率比所达到的多小区迫零预编码与用户为中心的AP聚类算法在所有系统配置。
2021-07-29 cs.IT eess.SP math.IT
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
Multi-dimensional hierarchical dictionary search for large MIMO-OFDM systems
Univ Rennes, INSA Rennes, CNRS, IETR-UMR 6164(雷恩大学、雷恩国立应用科学学院、法国国家科学研究中心、信息与电子工程研究所)
本文提出了一种低复杂度策略,用于高效实现贪心稀疏恢复算法中的'原子选择步骤',通过利用系统结构特征,以减少计算复杂度,并通过实际信道数据测试验证了该方法的计算优势。
2026-05-18 eess.SP
Multi-target Range and Angle detection for MIMO-FMCW radar with limited antennas
多输入多输出(MIMO)雷达相对于传统的雷达阵列系统在性能和灵活性方面具有若干优点。然而,为了实现高角度分辨率,MIMO雷达需要大量的发射和接收天线,这增加了硬件设计和计算复杂度。虽然空间压缩感知(CS)最近已经被考虑用于具有稀疏随机阵列的脉冲波形MIMO雷达,但是用于调频连续波(FMCW)雷达的这样的方法仍然在很大程度上未被探索。在这种情况下,我们提出了一种新的多目标定位算法在距离-角度域的MIMO FMCW雷达与随机放置的发射和接收元件的稀疏阵列。特别地,我们首先使用基于离散傅里叶变换(DFT)的聚焦操作获得目标的距离延迟。然后使用基于CS的技术利用目标场景的稀疏性在每个检测到的范围处恢复目标角度。我们的仿真结果表明,该算法的有效性,在检测多个目标与稀疏阵列的经典方法。
2023-02-28 eess.SP
Kronecker-structured Sparse Vector Recovery with Application to IRS-MIMO Channel Estimation
针对克罗内克结构稀疏向量恢复问题,提出将原问题分解为多个独立子问题并分别求解的方法,通过保留支撑集和非零元素结构提升精度、缩减解空间降低复杂度,在IRS-MIMO信道估计等场景中性能优于现有技术。
2024-11-30 eess.SP
Optimal Linear Precoder Design for MIMO-OFDM Integrated Sensing and Communications Based on Bayesian Cramér-Rao Bound
本文针对MIMO-OFDM集成感知与通信系统,基于贝叶斯克拉美罗界分析推导联合信道估计与符号检测的性能界,提出随机黎曼梯度下降法求解线性预编码器非凸优化问题,证明其高概率收敛且收敛速度快,揭示了感知与通信的性能权衡。
2023-08-23 cs.IT eess.SP math.IT
Data-Aided Variational Bayesian Inference for CSI Estimation over Doubly-Selective DCO-OTFS MIMO VLC Systems with Affine-Precoded Superimposed Training Sequences
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Indian Institute of Technology Jodhpur(焦特普尔印度理工学院)
针对双选择性DCO-OTFS MIMO VLC系统,提出基于仿射预编码叠加训练序列的架构,并开发数据辅助变分贝叶斯推断方法,实现联合CSI估计与数据检测,显著降低NMSE、导频开销和SER。
2026-09-15 eess.SP