PolarAir: A Compressed Sensing Scheme for Over-the-Air Federated Learning
Texas A&M University(德州农工大学)
我们探索了一种方案,该方案能够在加性高斯白噪声信道上以联邦学习配置训练深度神经网络。我们的目标是创建一个低复杂度,线性压缩策略,称为PolarAir,减少在用户端的梯度的大小,以降低传输它所需的信道使用的数量。建议的方法属于家庭的压缩传感技术,但它构造的传感矩阵和使用多址技术的恢复过程。仿真表明,与在不压缩的情况下传送梯度相比,它可以将信道使用的数量减少约30%。与文献中的其他方案相比,所提出的方案的主要优点是其低时间复杂度。我们还研究了梯度更新的行为和PolarAir在整个训练过程中的性能,以了解如何最好地构建基于压缩感知的压缩方案。
2023-01-24 cs.IT cs.LG eess.SP
Over-the-Air Federated Learning with Compressed Sensing: Is Sparsification Necessary?
Linköping University(林雪平大学)
该研究针对空中联邦学习场景,对比了结合压缩感知的线性压缩是否需要前置稀疏化的多种通信设计,发现压缩前稀疏化并非必要,且仅稀疏化的方案性能优于两者结合的常用设置。
2023-10-05 cs.IT cs.LG eess.SP
ORCAS - Orthogonal Representation for Compression of distributed Acoustic Sensing
Eindhoven University of Technology(埃因霍温理工大学)
本文提出ORCAS框架,利用学习正交变换和Lloyd-Max优化的编码方案,实现DAS信号的高效压缩,吞吐量超90 MB/s,压缩比约13,性能优于JPEG2000和ZFP。
2026-09-22 eess.SP
Fast Fourier-Based Generation of the Compression Matrix for Deterministic Compressed Sensing
St. Cloud State University(圣克劳德州立大学)
本文的主要目的是回顾数据压缩的重要性,并提出一种基于傅立叶变换的确定性压缩感知中确定性压缩矩阵的快速生成方法。定义了数据压缩的一般过程、稀疏信号、相干矩阵和限制等距性等基本概念。我们介绍了两种稀疏数据压缩方法。第一种方法是通过利用随机矩阵形成的,这是一种常见的方法,第二种方法是通过利用最近提出的确定性矩阵。这项工作的主要目标是提高确定性矩阵生成的执行时间。执行时间与确定性矩阵的生成方法有关。此外,我们已经实现了一个软件,它可以比较不同的方法重建数据压缩。为了进行这种比较,有必要绘制和比较某些图形,例如,相变、输出信号与噪声和输入信号与噪声的比率、信号与噪声输出的比率以及各种重建方法的精确重建百分比和稀疏信号的阶数的比率。为了方便这个过程,用户将能够在GUI环境中绘制他/她最喜欢的图形。
2018-07-01 cs.CV eess.SP
Towards Neuromorphic Compression based Neural Sensing for Next-Generation Wireless Implantable Brain Machine Interface
针对下一代无线植入式脑机接口,提出基于 AER 读出协议的神经形态压缩感知架构,通过选择性传输神经脉冲事件脉冲实现 50–100 压缩比,并保持高波形相关性与检测准确率。
2023-12-15 eess.SP
Fronthaul Compression and Beamforming Optimization for Secure Cell-free ISAC Systems
针对前传受限的安全无蜂窝ISAC系统,本文联合优化前传压缩与波束成形,结合次优最大化与半定规划松弛方法,在满足保密速率等约束下提升感知性能,仿真验证其优于分布式感知等方案。
2024-12-12 eess.SP
SwinFi: a CSI Compression Method based on Swin Transformer for Wi-Fi Sensing
本文提出 SwinFi,通过基于 Swin Transformer 的自编码器-解码器在边缘压缩 CSI、云端重建,在 PIR 数据集上实现 -37.74dB NMSE 和 95.3% 分类准确率。
2024-05-07 eess.SP
Metrics for Evaluating the Efficiency of Compressing Sensing Techniques
压缩传感由于其能够加快数据采集的速度而受到许多领域研究人员的极大关注。当信号在某些域中稀疏时,该框架允许快速信号采集和压缩。该方法利用少量的样本从高维稀疏信号中提取主要信息,然后从少量的测量数据中恢复出稀疏信号。在使用压缩感知时,有两个要点需要考虑。第一个是如何设计线性测量矩阵以确保压缩传感满足应用目标。第二个问题是如何从少量测量中恢复稀疏信号。执行压缩感知需要分析和研究测量矩阵和恢复算法的效率。迄今为止,构造显式测量矩阵和开发有效的恢复算法在应用中仍然是一个开放的挑战。因此,本文描述的指标来评估压缩感知技术的性能。
2020-03-16 cs.IT eess.SP math.IT
DASPack: Controlled Data Compression for Distributed Acoustic Sensing
Institute of Marine Sciences, CSIC(西班牙国家科研委员会海洋科学研究所)
DASPack是一种开源DAS数据压缩工具,通过小波变换、线性预测和熵编码实现受控有损/无损压缩,无损达3倍、有损最高10倍压缩率,支持高速实时处理,适用于大规模监测网络。
2025-10-26 eess.SP physics.geo-ph
Communication-Efficient Federated Learning via Quantized Compressed Sensing
POSTECH(浦项科技大学);Princeton University(普林斯顿大学)
在本文中,我们提出了一个通信效率的联邦学习框架的启发量化压缩感知。所提出的框架包括无线设备的梯度压缩和参数服务器(PS)的梯度重建。我们的梯度压缩策略是依次执行块稀疏化,降维和量化。由于梯度稀疏化和量化,我们的策略可以实现比一位梯度压缩更高的压缩比。为了准确地聚合的局部梯度从压缩信号在PS,我们提出了一个近似的最小均方误差(MMSE)的梯度重建方法,使用期望最大化广义近似消息传递(EM-GAMP)算法。该算法在假定Bernoulli高斯混合先验的前提下,迭代更新压缩信号局部梯度的后验均值和方差。我们还提出了一种低复杂度的梯度重建方法。在这种方法中,我们使用Bussgang定理从压缩信号中聚合局部梯度,然后使用EM-GAMP算法计算聚合梯度的近似MMSE估计。我们还提供了所提出的框架的收敛速度分析。使用MNIST数据集,我们证明了所提出的框架实现了几乎相同的性能的情况下,不进行压缩,同时显着降低了联邦学习的通信开销。
2021-11-30 cs.AI cs.DC eess.SP
Multi-Modal Beamforming with Model Compression and Modality Generation for V2X Networks
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Technology Sydney(悉尼科技大学)
针对6G车联网中ISAC范式的不足,提出基于分层Transformer的多模态学习框架BeamTransFuser,利用跨模态相关性提升波束预测性能,开发剪枝方案减少延迟,引入生成模型处理模态缺失,实验证明该方案优于现有基线。
2026-07-09 eess.SP
Frame-Based AFDM-ISAC Waveform Design With Chirp-Enabled Pulse Compression
University of Surrey(萨里大学);University of Essex(埃塞克斯大学)
提出一种基于仿射频分复用(AFDM)的集成感知与通信(ISAC)设计,通过新型帧结构、模拟域啁啾压缩接收和数字域感知融合算法,实现低复杂度信道估计与最优功率分配。
2026-07-02 eess.SP
A Reconfigurable Pipelined-SAR ADC with Embedded Compression for Temporal Compressed-Sensing Ultrasound Imaging
Georgia Institute of Technology(佐治亚理工学院)
该研究提出嵌入式压缩的可重构流水线SAR ADC,用于超声成像的RF数据时间压缩,在保留点目标几何的同时降低数据速率,且可通过压缩比权衡性能。
2026-09-01 eess.SP physics.med-ph
Efficient compressive sensing for machinery vibration signals
Safran Tech(赛峰技术);UJM-St-Etienne, LASPI, UR3059(圣艾蒂安大学,LASPI,UR3059)
本文研究了机械振动信号的压缩感知方法,比较了稀疏基、测量矩阵和重建算法,引入了适用于图像压缩的Wang矩阵,并通过实验验证其在高压缩比下的优越重建性能。
2026-03-26 eess.SP
Software-based signal compression algorithm for ROM-stored electrical cables
本研究提出结合自适应编码与硬件辅助压缩的新型架构,实现ROM存储电缆周期信号压缩的功耗与通信量降低,还探索了ROM废热的热电回收利用,助力智能电网与嵌入式系统能效提升。
2023-07-09 cs.AR cs.IT eess.SP
Optimal Joint Fronthaul Compression and Beamforming Design for Networked ISAC Systems
针对网络式ISAC系统的前传压缩与波束成形联合设计问题,证明压缩变量有闭式解,基于SDR与ISAC上下行对偶性提出高效原始-对偶算法,可在低复杂度下实现全局最优。
2024-08-15 eess.SP
An Energy-efficient Wireless Neural Recording System with Compressed Sensing and Encryption
本文提出了一种无线神经记录系统,具有节能的数据压缩和加密。通过利用压缩感知(CS)同时进行数据压缩和加密来实现超高效率。CS通过利用其固有的稀疏性来实现神经信号的亚奈奎斯特采样。它同时加密的数据与采样矩阵的加密密钥。为了在不安全的无线信道上共享密钥,我们实现了一个基于椭圆曲线密码(ECC)的密钥交换协议。CS操作在定制设计的180 nm CMOS工艺制造的IC中执行。设计了混合信号电路以优化CS运算的矩阵向量乘法(MVM)的功率效率。ECC算法在低功耗Cortex-M0微控制器(MCU)中实现。为了防止时序和功耗分析攻击,该实现避免了可能的数据依赖分支,并且还采用了随机ECC初始化。在8倍压缩比下,重构信号与未压缩信号之间的平均相关系数为0.973,而仅密文攻击(CoA)在20万次攻击中的相关系数不超过0.054。与传统的低功耗MCU实现相比,该原型实现了35倍的节能。这项工作为未来的慢性神经记录系统提供了一个有前途的解决方案,具有高能效和安全性的要求。
2021-02-26 cs.SY eess.SP eess.SY
On the Suitability of PLC Pulses for Power Line Fault Sensing via Time-Domain Reflectometry
本文讨论了典型的电力线通信(PLC)脉冲通过脉冲压缩时域反射仪(TDR)在电力线故障检测的适用性。为此,我们首先仔细概述了TDR系统在配电网络上运行,讨论其局限性,并最终诉诸脉冲压缩程序。接下来,我们提出了封闭形式的表达式的脉冲和它们的自相关函数的典型PLC调制方案,即厄米对称正交频分复用(HS-OFDM),脉冲超宽带(UWB),和啁啾扩频(CSS)。此外,在所提供的表达式上使用不同的度量,以便评估所考虑的PLC脉冲对于提供适当的TDR测量的适用性,即,\textit{reflectograms},在分辨率、脉冲压缩的有效性、失真和范围方面。考虑到欧洲地下低压和美国架空中压配电网的情况下,我们最后进行了比较数值分析所考虑的PLC脉冲在上述指标的频段,包括窄带和宽带PLC,符合监管约束的一个亮点。基于所取得的结果,我们表明,使用UWB脉冲允许在给定的时间间隔内获得更大数量的反射图,而HS-OFDM和CSS脉冲提供更高的反射图质量和更好的分辨率为一个给定的占用频率带宽。此外,我们表明,NB-PLC脉冲是适合于大多数配电网络的情况下,使用BB-PLC留下的情况下,非常精细的分辨率是理想的。
2019-01-23 eess.SP
Fronthaul-Constrained Distributed Radar Sensing
研究前传受限的分布式雷达感知网络,提出基于半定规划和交替凸优化的前传压缩与时间分配联合优化算法,以最小化Cramer Rao界,实现显著的性能增益。
2024-09-26 eess.SP
Multi-UE Networked Sensing: A New Paradigm for 6G Perceptive Mobile Networks
Chalmers University of Technology, Sweden(查尔姆斯理工大学);University College London, UK(伦敦大学学院)
该研究提出面向6G感知移动网络的多UE网络感知新范式,设计了多类感知架构与多视图信号处理框架,探讨了相关关键开放挑战。
2026-08-27 eess.SP
Edge-Assisted Multimodal UAV Localization with Resource-Efficient Compression and Robust Fusion
Zhejiang University(浙江大学);University of Illinois Urbana-Champaign Institute, Zhejiang University(浙江大学伊利诺伊大学厄巴纳香槟校区联合学院)
设计多模态无人机定位框架,利用相机、LiDAR和雷达传感模态。通过信息瓶颈压缩等模块应对传感节点资源有限、数据差异大及模态数据退化缺失等挑战,实验表明该框架能准确可靠定位无人机。
2026-10-12 eess.SP
Cyclic-Prefix OFDM Probing for Spatial-ISI-Free Distributed Acoustic Sensing via Frequency-Domain Channel Reconstruction
School of Electronic and Information Engineering, Soochow University(苏州大学电子与信息工程学院)
提出使用循环前缀正交频分复用(CP-OFDM)波形作为传感探头,通过频域信道重构消除匹配滤波脉冲压缩中的空间符号间干扰(ISI),实现无空间ISI的分布式声学传感,并同时恢复通信数据,展示共享波形集成感知与通信(ISAC)。
2026-10-23 eess.SP
Compressed-Domain Detection and Estimation for Colocated MIMO Radar
本文提出了压缩域信号处理(CSP)多输入多输出(MIMO)雷达,MIMO雷达的方法,实现了大量的样本复杂度降低,利用CSP的想法。CSP MIMO雷达包括两个层次的数据压缩,然后在压缩域进行目标检测。首先,在接收天线处应用压缩感知,随后是被设计用于抑制杂波的Capon波束形成器。利用波束形成器输出的稀疏性质,将第二压缩应用于经滤波的数据。目标检测随后通过在离散化角度空间的每个网格点处制定和求解假设检验问题来进行。与传统的压缩感知(CS)MIMO雷达相比,所提出的方法能够在某些设置中将样本复杂度降低8倍,从而实现更快的目标检测。建议检测器的受试者工作特性(ROC)曲线。仿真结果表明,该方法优于基于恢复的压缩感知算法。
2020-06-17 eess.SP
Study on Compressed Sensing of Action Potential
压缩感知(CS)是一种信号处理技术,其能够实现稀疏信号的亚奈奎斯特采样和接近无损重构。该技术对于神经信号处理特别有吸引力,因为它避免了与高采样率和大数据存储相关的问题。在这个项目中,不同的CS重建算法在我们实验室记录的原始动作电位信号上进行了测试。为评价不同压缩感知算法的性能,设置了两个数值指标:压缩比(CR)和信噪比(SNR)。为了做到这一点,个人CS算法的测试平台,脑电数据的MATLAB方案内构建。该项目的主要考虑因素如下。1)字典的可行性2)对非稀疏性的容忍3)阈值或插值的适用性。
2021-01-30 eess.SP
Fully Digital Second-order Level-crossing Sampling ADC for Data Saving in Sensing Sparse Signals
本文提出了一种用于实时数据压缩和特征提取的全集成二阶电平交叉采样数据转换器。与在固定电压电平采样的电平采样ADC相比,所提出的电路使用线性外推来更新跟踪阈值,从而形成具有倾斜采样电平的二阶跨电平采样ADC。计算是数字化的,并通过修改传统SAR ADC的数字控制逻辑来实现。系统仅选择输入波形中的转折点进行量化。所提出的数据转换器的输出包括所选择的采样点的数字值和所选择的采样点之间的时间戳。其主要优点是数据转换器和后续数字信号处理或通信电路的数据节省和功耗节省,非常适合低功耗传感器。测试芯片采用180nm CMOS工艺制作。与传统的SAR ADC相比,所提出的ADC节省了30%,并实现了6.17的压缩因子用于跟踪ECG信号。
2022-12-17 cs.AR eess.SP
A Learning Framework for Bandwidth-Efficient Distributed Inference in Wireless IoT
Resilient Machine-learning Institute (ReMI)(弹性机器学习研究所)
在无线因特网中,传感器通常具有有限的带宽和功率资源。因此,在分布式设置中,每个传感器应该在将它们传输到融合中心(FC)之前压缩和重新定位感测到的观测,在融合中心(FC)中推断全局决策。大多数现有的压缩技术和熵量化器仅考虑重建保真度作为度量,这意味着它们将压缩与感测目标解耦。在这项工作中,我们认为,数据压缩机制和熵量化器应共同设计的传感目标,特别是机器消费的数据。为此,我们提出了一种新的基于深度学习的框架,用于压缩和量化相关传感器的观测结果。我们的目标不是最大化重建保真度,而是以最大化推断决策的准确性的方式压缩传感器观测(即,在FC的感知目标。与以前的工作不同,我们没有对观测分布施加任何假设,这强调了我们的框架的广泛适用性。我们还提出了一种新的损失函数,使模型专注于学习每个传感器的互补特征。结果表明,与其他基准模型相比,我们的框架具有优越的性能。
2022-03-17 cs.AI cs.LG eess.SP
Semantic Communication for Rate-Limited Closed-Loop Distributed Communication-Sensing-Control Systems
Chalmers University of Technology(查尔姆斯理工大学);Uppsala University(乌普萨拉大学)
本文提出了一种面向目标的语义通信框架,用于带宽受限的闭环分布式通信-感知-控制系统,通过语义压缩和动态速率适应提升系统性能。
2025-12-22 cs.NI cs.SY eess.SP
Observation Compression in Rate-Limited Closed-Loop Distributed ISAC Systems: From Signal Reconstruction to Control
Department of Electrical Engineering, Chalmers University of Technology, Sweden(楚德斯技术大学电气工程系);Department of Computer Science and Engineering, Chalmers University of Technology, Sweden(楚德斯技术大学计算机科学与工程系);Department of Electrical Engineering, Uppsala University, Sweden(乌普萨拉大学电气工程系)
本文提出基于自编码器的观测压缩方法,研究其在速率受限闭环分布式ISAC系统中对信号重构和控制性能的影响,并探讨多传感器场景下的资源分配策略。
2025-12-17 cs.AI cs.NI cs.SY