使用深度神经网络方法重建FRI信号
信号处理
2020-04-24 v2
摘要
有限新息率理论研究一类具有少量自由参数的非带限连续信号的采样与重建，例如狄拉克脉冲流。从离散样本重建FRI信号的任务通常被转化为谱估计问题，并使用涉及估计信号子空间的Prony方法和矩阵束方法求解。这些方法能达到由Cramér-Rao界给出的最优性能，但在特定的峰值信噪比（PSNR）下会发生性能崩溃。这可能是由于所谓的子空间交换事件导致的。在本文中，我们旨在缓解子空间交换问题，并研究替代方法，包括使用深度神经网络直接估计FRI参数，以及利用深度神经网络作为去噪器来降低样本中的噪声。仿真表明，在崩溃PSNR指标上相比现有FRI方法取得了显著改善，而在中高PSNR区间内，现有FRI方法仍优于基于学习的方法。
引用
@article{arxiv.1905.11935,
title = {Reconstruction of FRI Signals using Deep Neural Network Approaches},
author = {Vincent C. H. Leung and Jun-Jie Huang and Pier Luigi Dragotti},
journal= {arXiv preprint arXiv:1905.11935},
year = {2020}
}
备注
5 pages, 7 figures, 2020 International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2020)