OAMP 的容量优化性:超越 IID 感知矩阵和高斯信号
本文研究了一个包括具备单位不变性的感知矩阵、任意固定的信号分布以及前向纠错编码的大型单位不变系统(LUIS)。基于正交近似消息传递(OAMP)在未编码的 LUIS 中的状态演化,我们建立了几个区域属性。在联合 OAMP 和 FEC 解码的状态演化正确且复制方法可靠的假设下,分析了 OAMP 的可实现速率。我们证明了基于匹配 FEC 编码的任意信号分布 LUIS 的 OAMP 达到了复制方法所预测的有限容量。同时,我们阐述了一个基于约束容量可达的编码原理的 LUIS 优化的不规则低密度奇偶校验码用于二元信号仿真结果中。我们证明,使用优化后的码的 OAMP 相较于未经优化的码和知名的 Turbo 线性 MMSE 算法具有显着的性能提升。在各种信道条件下,拟合了约束容量的比特误码率性能观测。
Jun, 2022
本文研究了一个涉及任意信号分布和前向纠错编码的大型随机矩阵系统(LRMS)模型,并基于近似消息传递(AMP)算法建立了一个区域性质。在 AMP 的状态演变正确的假设下,分析了 AMP 的可达速率,证明了在满足匹配条件的情况下,AMP 可以实现任意信号分布下 LRMS 的约束容量,并给出了采用不规则低密度奇偶校验(LDPC)码二进制信号的相关数值结果。同时展示了针对 QPSK 调制的比特错误率(BER)性能,观察到距离约束容量极限仅有 1 dB 的表现。
Feb, 2021
本文提出一种基于去相关线性估计和无发散非线性估计的正交 AMP 算法,并推导出适用于各种酉不变矩阵的状态演化过程,数值结果表明该算法在病态矩阵情况下比 AMP 更有优势。
Feb, 2016
本文提出了一种基于正交性原理的 MAMP 框架,其中包括一个用于干扰抑制的长记忆匹配滤波器,能够解决 AMP 和 BO-OAMP/VAMP 的缺陷,同时保证 BO-MAMP 的性能是渐近独立的同分布高斯分布,且其状态演化与高复杂度的 BO-OAMP/VAMP 的状态演化一致。
Dec, 2020
提出了一种新的低成本迭代参数估计技术 - MAMP,通过长记忆匹配滤波器来抑制干扰并具有与 AMP 相媲美的复杂度,在所有右单位矩阵中,经过优化的 MAMP 收敛于 OAMP/VAMP,并因此成为最优贝叶斯估计。
Jun, 2021
本文提出了 Bayes - 最优的卷积逼近信息传递 (CAMP) 用于压缩感知中的信号恢复,CAMP 使用与近似信息传递 (AMP) 相同的低复杂度匹配滤波器 (MF) 进行干扰抑制。
Mar, 2020
通过研究一般误差模型下的状态演化,在压缩感知中理解消息传递算法的动态; 并通过副产品证明了,如果感知矩阵是正交不变的,并且其渐近奇异值分布的矩序列与 Marchenko-Pastur 分布的矩序列重合,最大迭代次数的两倍不超过该序列,那么 AMP 可以渐进收敛。
Jan, 2019
提出了一种通用广义记忆近似消息传递(GMAMP)框架,包括现有的正交 AMP/VAMP、GVAMP 和 MAMP 作为特殊实例,并构建了一种基于低复杂度记忆线性估计器的贝叶斯最优 GMAMP(BO-GMAMP)算法,可用于 GLM 信号重构,实现了与 GAMP 类似的复杂度,并在唯一不动点情况下达到了复制最小(即贝叶斯最优)MSE。
Oct, 2021
该研究论文证明了 Bayes-optimal 正交 / 向量 AMP 在大系统极限下的收敛性,并通过新的统计解释证明了 Bayes-optimal LM-MP 状态演化递归的收敛性,因而证明了 Bayes-optimal 正交 / 向量 AMP 的状态演化递归的收敛性。
Nov, 2021
本论文提出了 UT-AMP(一种基于原始模型的酉变换的 AMP 改进版),并证明在高斯先验条件下,UT-AMP 对于任何矩阵 A 都能收敛。UT-AMP 比原始 AMP 更加稳健,并表现出快速的收敛。
Apr, 2015