دانلود ترجمه مقاله سنجش کوواریانس فشرده: سنجش فشرده مبتنی بر ساختار

1. مقدمه 2. نمونه گیری آماره های مرتبه دوم 3. فشرده سازی 4. کاربردهای اصلی 5. تخمین و آشکار سازی 6. تحلیل مودال 7. پیش پردازش 8. روش های پیشرفته 9. پرسش های باز 10. نتیجه گیری

چکیده – سنجش فشرده به بازسازی سیگنالها از نمونه های نایکوئیست فرعی با بهره گیری از پراکندگی افکنش (تصویر) آنها بر فضاهای فرعی معلوم، مربوط می باشد. برعکس، این مقاله با بازسازی آماره های مرتبه دوم، مانند کوواریانس و طیف توان، حتی در نبود مقدم های پراکندگی، می پردازد. چهارچوب توصیف شده در اینجا از ساختار آماری فرآیندهای تصادفی برای ممکن سازی فشرده سازی سیگنال بهره می گیرد و یک دیدگاه نوین در مورد استنباط پراکندگی-انکاری فراهم می کند. ما با سرمایه گذاری بر نمایش های مقرون به صرفه، نشان می دهیم که چگونه امور فشرده سازی و بازسازی را می توان در کاربردهای پرطرفداری مانند تخمین طیف توان، تصویر سازی ناهمدوس، تخمین جهت رسیدن، تخمین فرکانس و سنجش طیف پهن باند، بکار برد. مقدمه: افزایش بیش از پیش تعداد مسائل سنجش باعث افزایش توجه به فنون اکتساب داده و فشرده سازی داده همزمان که هزینه های سنجش،ذخیره سازی و تبادل اطلاعات را محدود می کنند، شده. مثالهای بارز آن شامل سنجش فشرده [1]، بازیابی پشتیبانی [2]، نمونه گیری نایکوئیست فرعی سیگنالهای چند باند یا چند آهنگ [3 تا 5]، و طراحی آرایه برای تصویر برداری سنتز دستگاه [6-8] می باشد. الگوی رو به گسترش نمونه برداری نایکوئیست فرعی می تواند بر تعداد زیادی از کاربردهای محدود به منابع بوجود آمده در علوم داده ها، ارتباطات پهن باند، شبکه های حسگر مقیاس بزرگ، بیوانفورماتیک ها، و تصویربرداری پزشکی و غیره، تاثیر بگذارد. فنون ذکر شده بر مدل های صرفه جو که اطلاعات مرتبط را استخراج می کنند و فشرده سازی را ممکن می سازند، متکی هستند. برای مثال، در سنجش فشرده، سیگنال ها را می توان از نمونه های نایکوئیسیت فرعی بازسازی کرد به شرط اینکه اینها یک نمایش پراکنده در یک حوزه تبدیل شده معلوم را بپذیرند. درحالی که این فرم از ساختار به صورت طبیعی در بسیاری از کاربردها بوجود می آید، اما اغلب اینگونه است که یا سیگنال ضمنی پراکنده نیست یا اطلاعات در حال پراکنده شدن مدل سازیشان یا دستکاریشان دشوار است. آن سناریوها نیاز به رویکردهای جایگزین دارند تا فشرده سازی با استخراج فرم های دیگر ساختار را اجازه دهند.

Compressed sensing deals with the reconstruction of signals from sub-Nyquist samples by exploiting the sparsity of their projections onto known subspaces. In contrast, this article is concerned with the reconstruction of second-order statistics, such as covariance and power spectrum, even in the absence of sparsity priors. The framework described here leverages the statistical structure of random processes to enable signal compression and offers an alternative perspective at sparsity-agnostic inference. Capitalizing on parsimonious representations, we illustrate how compression and reconstruction tasks can be addressed in popular applications such as power-spectrum estimation, incoherent imaging, direction- of-arrival estimation, frequency estimation, and wideband spectrum sensing. Introduction: The incessantly growing size of sensing problems has spurred an increasing interest in simultaneous data acquisition and compression techniques that limit sensing, storage, and communication costs. Notable examples include compressed sensing [1], support recovery [2], sub-Nyquist sampling of multiband or multitone signals [3]–[5], and array design for aperture synthesis imaging [6]– [8]. The overarching paradigm of sub-Nyquist sampling can impact a broad swath of resource-constrained applications arising in data sciences, broadband communications, large-scale sensor networks, bioinformatics, and medical imaging, to name a few. The aforementioned techniques rely on parsimonious models that capture relevant information and enable compression. In compressed sensing, for example, signals can be reconstructed from sub-Nyquist samples provided that they admit a sparse representation in a known transformed domain. Whereas this form of structure arises naturally in many applications, it is often the case that either the underlying signal is not sparse or the sparsifying transformation is difficult to model or manipulate. Those scenarios call for alternative approaches to allow compression by capturing other forms of structure.