فهرس المقالات Compressive Sensing

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Wavelet-based Bayesian Algorithm for Distributed Compressed Sensing
  Razieh Torkamani Ramezan Ali Sadeghzadeh
  10.7508/jist.2019.02.001
  The emerging field of compressive sensing (CS) enables the reconstruction of the signal from a small set of linear projections. Traditional CS deals with a single signal; while one can jointly reconstruct multiple signals via distributed CS (DCS) algorithm. DCS inversio أکثر

  The emerging field of compressive sensing (CS) enables the reconstruction of the signal from a small set of linear projections. Traditional CS deals with a single signal; while one can jointly reconstruct multiple signals via distributed CS (DCS) algorithm. DCS inversion method exploits both the inter- and intra-signal correlations via joint sparsity models (JSM). Since the wavelet coefficients of many signals is sparse, in this paper, the wavelet transform is used as sparsifying transform, and a new wavelet-based Bayesian DCS algorithm (WB-DCS) is proposed, which takes into account the inter-scale dependencies among the wavelet coefficients via hidden Markov tree model (HMT), as well as the inter-signal correlations. This paper uses the Bayesian procedure to statistically model this correlations via the prior distributions. Also, in this work, a type-1 JSM (JSM-1) signal model is used for jointly sparse signals, in which every sparse coefficient vector is considered as the sum of a common component and an innovation component. In order to jointly reconstruct multiple sparse signals, the centralized approach is used in DCS, in which all the data is processed in the fusion center (FC). Also, variational Bayes (VB) procedure is used to infer the posterior distributions of unknown variables. Simulation results demonstrate that the structure exploited within the wavelet coefficients provides superior performance in terms of average reconstruction error and structural similarity index. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - A Novel Detector based on Compressive Sensing for Uplink Massive MIMO Systems
  Mojtaba Amiri Amir Akhavan
  10.52547/jist.34192.10.40.249
  Massive multiple-input multiple-output is a promising technology in future communication networks where a large number of antennas are used. It provides huge advantages to the future communication systems in data rate, the quality of services, energy efficiency, and spe أکثر

  Massive multiple-input multiple-output is a promising technology in future communication networks where a large number of antennas are used. It provides huge advantages to the future communication systems in data rate, the quality of services, energy efficiency, and spectral efficiency. Linear detection algorithms can achieve a near-optimal performance in large-scale MIMO systems, due to the asymptotic orthogonal channel property. But, the performance of linear MIMO detectors degrades when the number of transmit antennas is close to the number of receive antennas (loaded scenario). Therefore, this paper proposes a series of detectors for large MIMO systems, which is capable of achieving promising performance in loaded scenarios. The main idea is to improve the performance of the detector by finding the hidden sparsity in the residual error of the received signal. At the first step, the conventional MIMO model is converted into the sparse model via the symbol error vector obtained from a linear detector. With the aid of the compressive sensing methods, the incorrectly detected symbols are recovered and performance improvement in the detector output is obtained. Different sparse recovery algorithms have been considered to reconstruct the sparse error signal. This study reveals that error recovery by imposing sparse constraint would decrease the bit error rate of the MIMO detector. Simulation results show that the iteratively reweighted least squares method achieves the best performance among other sparse recovery methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - تشخیص انجمن در شبکه‌های پیچیده پویا مبتنی بر تعبیه گراف و خوشه‌بندی جمعی
  مجید  محمدپور سیداکبر مصطفوی وحید رنجبر
  امروزه شبکه‌های پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شده‌اند و تشخیص انجمن در این شبکه‌ها یکی از مهم‌ترین مسائل در تحلیل آنها محسوب می‌شود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که می‌تواند درجه پیمانه‌ای‌بودن هر انج أکثر

  امروزه شبکه‌های پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شده‌اند و تشخیص انجمن در این شبکه‌ها یکی از مهم‌ترین مسائل در تحلیل آنها محسوب می‌شود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که می‌تواند درجه پیمانه‌ای‌بودن هر انجمن را حداکثر نماید. روش‌های تعبیه گراف یا یادگیری نمایش کم‌بعد از گره‌ها در گراف به علت قابلیت کاربردی گسترده آن در عملکرد شبکه‌های پیچیده پویا مانند تشخیص انجمن در شبکه، بسیار مورد توجه قرار گرفته‌اند. در این مقاله، یک روش تعبیه گراف پویا مبتنی بر یادگیر عمیق پیشنهاد شده که گراف خروجی از مرحله تعبیه گراف را به‌عنوان ورودی به مدل یادگیر جمعی می‌دهد تا با دقت قابل قبولی، انجمن‌ها را در شبکه تشخیص دهد. همچنین یک الگوریتم حریصانه جدید به نام پیوند جمع برای بهینه‌سازی تابع هدف برای مجموعه داده‌های مقیاس بزرگ در زمان بسیار کوتاه ارائه گردیده است. نشان داده شده که پارتیشن توافقی پیشنهادی نسبت به پارتیشن‌های به‌دست‌آمده از کاربرد مستقیم روش‌های خوشه‌بندی جمعی رایج، به ساختارهای خوشه‌ای واقعی نزدیک‌تر است. روش پیشنهادی به‌دلیل استفاده از روش پیش‌پردازش مبتنی بر تعبیه گراف پیشنهادی و همچنین استفاده از روش خوشه‌بندی جمعی، توانسته کارایی مناسبی را در مقایسه با سایر روش‌های رقیب از خود نشان دهد. نتایج تجربی آزمایش‌های انجام‌شده حاکی از برتری روش پیشنهادی در مقایسه با روش‌های رقیب است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - الگوریتم اولیه- دوگانه توزیع شده با پارامترهای متغیر و ساختار مشارکتی افزایشی دوجهته
  قنبر   آذرنیا
  به دلیل شرایط خاص شبکه‌های حسگری بی‌سیم از نقطه‌نظرهایی نظیر محدودیت انرژی، تسریع سرعت همگرایی الگوریتم‌های این حوزه اهمیت پیدا می‌کند. این امر در مورد حسگری فشرده توزیع‌شده که فاز بازسازی پیچیده‌ای دارد، ضروری‌تر به نظر می‌رسد. بر همین اساس در این مقاله، الگوریتم بازسا أکثر

  به دلیل شرایط خاص شبکه‌های حسگری بی‌سیم از نقطه‌نظرهایی نظیر محدودیت انرژی، تسریع سرعت همگرایی الگوریتم‌های این حوزه اهمیت پیدا می‌کند. این امر در مورد حسگری فشرده توزیع‌شده که فاز بازسازی پیچیده‌ای دارد، ضروری‌تر به نظر می‌رسد. بر همین اساس در این مقاله، الگوریتم بازسازی حسگری فشرده توزیع‌شده‌ای ارائه می‌شود که امکان بازسازی با نرخ همگرایی بهبودیافته‌تری را میسر می‌سازد. الگوریتم پیشنهادی، یک الگوریتم اولیه- دوگانه توزیع‌شده در یک ساختار افزایشی دوجهته است که در آن پارامترها با زمان تغییر می‌کنند. تغییرات پارامترها به‌صورت ضابطه‌مند و برای آن دسته از مسائل بهینه‌سازی محدبی انجام می‌گیرد که در آنها توابعی که بیان‌کننده قید مسئله و مدل‌کننده مشارکت بین گره‌ها هستند، قویاً محدب می‌باشند. شیوه پیشنهادی با شبیه‌سازی‌هایی تضمین شده که نشان از عملکرد بالای الگوریتم پیشنهادی به لحاظ سرعت همگرایی، حتی در شرایط سختگیرانه‌تری نظیر تعداد اندک اندازه‌گیری‌ها و یا درجه تنکی پایین‌تر دارد. تفاصيل المقالة