Direct spectrum detection based on Bayesian approach

• Autorzy: Pałczyńska Beata , Świsulski Dariusz

Identyfikatory

DOI

10.15199/48.2021.05.15

Warianty tytułu

PL

Pomiar harmonicznych widma sygnału oparty na podejściu bayesowskim

• Języki publikacji: EN

Abstrakty

EN

The paper investigates the Bayesian framework's performance for a direct detection of spectrum parameters from the compressive measurements. The reconstruction signal stage is eliminated in by the Bayesian Compressive Sensing algorithm, which causes that the computational complexity and processing time are extremely reduced. The computational efficiency of the presented procedure is significantly better than a typical compressive sensing approach. The numerical simulations confirm the possibility of using this method to direct harmonics detection.

PL

W artykule zbadano wydajność podejścia bayesowskiego do bezpośredniej estymacji parametrów widma na podstawie pomiarów oszczędnych. W algorytmie bayesowskiego oszczędnego próbkowania etap rekonstrukcji sygnału został wyeliminowany, a tym samym znacznie zmniejszyła się złożoność obliczeniowa i czas przetwarzania w stosunku do typowych algorytmów rekonstrukcji. Symulacje numeryczne potwierdzają możliwość zastosowanie tej metody do estymacji składowych widma bezpośrednio na podstawie próbek sygnałów.

Słowa kluczowe

EN

reconstruction-free compressive sensing; Bayesian compressive sensing; direct spectrum sensing

PL

oszczędne próbkowanie bez rekonstrukcji; bayesowskie oszczędne próbkowanie; bezpośrednie próbkowanie widma

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 5
• Strony: 90--93
• Opis fizyczny: Bibliogr. 26 poz., rys., tab.

Twórcy

autor

Pałczyńska Beata

• Politechnika Gdańska, Katedra Metrologii i Systemów Informacyjnych, ul. Gabriela Narutowicza 11/12, 80-233 Gdańsk

autor

Świsulski Dariusz

• Politechnika Gdańska, Katedra Metrologii i Systemów Informacyjnych, ul. Gabriela Narutowicza 11/12, 80-233 Gdańsk

Bibliografia

• [1] Candès E.J., Wakin M.B., An introduction to compressive sampling, Signal Processing Magazine, IEEE, 25 (2008), No. 2, 21–30
• [2] Donoho, D. Compressed sensing. IEEE Trans. Inf. Theory, 52 (2006), No. 4, 1289–1306
• [3] Rani M., Dhok S.B, Deshmukh R.B., A Systematic Review of Compressive Sensing: Concepts, Implementations and Applications, IEEE Access, 6 (2018), 4875–4894
• [4] Yoo J., Becker S., Monge M., Loh M., Candès E., Emami -Neyestanak A. , Design and implementation of a fully integrated compressed-sensing signal acquisition system, IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), (2012), 5325-5328
• [5] Si l va V.M.L. et al . , A testing approach for a configurable RMPI-based Analog-to-Information Converter, IEEE International Instrumentation and Measurement Technology Conference (I2MTC), (2018), 1-5
• [6] Gur ve D. et al . , Trends in Compressive Sensing for EEG Signal Processing Applications, Sensors, 20 (2020), No. 13, 3703
• [7] Yousuf i M. et al . , Application of Compressive Sensing to Ultrasound Images: A Review, BioMed Res. Int. (2019), 7861651
• [8] Qiao L., Chen S., Tan X., Sparsity preserving projections with applications to face recognition, Pattern Recognit. 43 (2010), 331–341
• [9] Duar te M.F. et al . , Single-pixel imaging via compressive sampling, IEEE Signal Processing Magazine, 25 (2008), No. 2, 83-91
• [10] Sharma S . , Lagunas E., Chatzinotas S., Ottersten B. , Application of compressive sensing in cognitive radio communications: A survey, IEEE Commun. Surv. Tutor., 18 (2016), 1838–1860
• [11] Palczynska B., Masnick i R., Mindykowski J., Compressive Sensing Approach to Harmonics Detection in the Ship Electrical Network, Sensors, 20 (2020), 2744
• [12] Pałczyńska B. , Świsul ski D. , Sparse representation of a non-stationary signal in compressive sensing technique, Przegląd Elektrotechniczny, 11 (2019), 66-68
• [13] Duarte M.F., Davenport M.A., Wakin M.B., Baraniuk R.G., Sparse Signal Detection from Incoherent Projections, IEEE International Conference on Acoustics Speech and Signal Processing Proceedings, ( 2006), III-III
• [14] Kulkarni K., Turaga P., Reconstruction-Free Action Inference from Compressive Imagers, IEEE Trans. on Pattern Analysis and Machine Intelligence, 38 (2016), No. 4, 772–784
• [15] Lohit S., Kulkarni K., Turaga P., Direct inference on compressive measurements using convolutional neural networks, IEEE International Conference on Image Processing (ICIP), (2016), 1913-1917
• [16] Lohit S., Kulkarni K., Turaga P., Wang J . , Sankaranarayanan A.C., Reconstruction-free inference on compressive measurements, IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), (2015), 16-24
• [17] Ma J .H. , Xie J.W. , Gan L. , Compressive detection of unknown-parameters signals without signal reconstruction, Signal Processing, 142 (2017), 114-118
• [18] Ma J .H. , Gan L. , Liao H. , Compressive measurements detection without reconstruction, 2018 International Conference on Electronics Technology (ICET), (2018), 303-307
• [19] Rani M., Dhok S.B, Deshmukh R.B., Kumar P., Overlap Aware Compressed Signal Classification, IEEE Access, 8 (2020), 52950-52967
• [20] Hariri A., Babaie-Zadeh M., Compressive detection of sparse signals in additive white Gaussian noise without signal reconstruction, Signal Process., 131 (2017), 376-385
• [21] Cao J. , Lin Z. , Bayesian signal detection with compressed measurements, Information Sciences, 289 (2014), 241-253
• [22] Hong S., Direct spectrum sensing from compressed measurements, Military Communications Conference (MILCOM), (2010), 1187-1192
• [23] Başaran M.; Erküçük S.; Çırpan, H.A., Bayesian compressive sensing for primary user detection, IET Signal Processing, 10 (2016), No. 5, 514-523
• [24] Fang Y. , L i L . , L i Y., Peng H., Yang Y. , Low Energy Consumption Compressed Spectrum Sensing Based on Channel Energy Reconstruction in Cognitive Radio Network, Sensors, 20 (2020), 1264
• [25] Ji S., Xue Y., Carin, L., Bayesian compressive sensing, IEEE Trans. Signal Process., 56 (2008), No. 6, 2346–2356
• [26] Tipping M.E., Sparse Bayesian Learning and the Relevance Vector Machine, Journal of Machine Learning Research, 1 (2001), 211-244

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).