跳到正文
原文
arXiv · Signal Processing· Amir Weiss
· 3 天前

压缩混合信号的分布式盲源分离

Distributed Blind Source Separation from Compressed Mixtures

预印本 · 尚未经过同行评审

AI 导读

提出压缩混合信号的分布式盲源分离框架,证明压缩不会带来新的可分辨性,并给出压缩感知分离方案。

摘要 · AI 翻译

在传感架构中,混合信号由多个远程设备采集,而推断本身则在中心进行,因此盲源分离(BSS)的需求日益增长。在此类系统中,传感器往往无法传输其原始观测数据,因为通信链路是速率受限的、能量受限的,或两者兼有。因此,融合中心必须从混合信号的压缩版本中恢复潜在源。这一设定引出了经典 BSS 模型并未直接回答的问题:源可辨识性在压缩后是否仍然保持,分离精度在特定压缩模型下如何变化,以及应如何修改分离过程以考虑压缩阶段所诱导的统计模型。在本工作中,我们开发了一个从压缩混合信号中进行分布式 BSS 的框架,在三个层面上解决这些问题。第一,我们形式化了压缩下的可辨识性,并建立了一个数据处理视角,表明压缩不能引入压缩前不存在的可区分性。第二,对于具有一般协方差结构的高斯源混合,我们推导了一个理想化的基于高斯率失真的 Cram\'er-Rao 下界基准,用于干扰与源之比。第三,我们开发了实用的压缩感知分离方案,基于减法抖动量化并结合融合中心的去偏处理,适用于基于四阶累积量和基于二阶统计量的方法。仿真实验展示了由此产生的通信速率与分离性能之间的权衡,以及在代表性分布式传感场景中压缩感知分离所获得的增益。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Signal Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。