.png){kind=icon}
返回
A Low-Rank Tensor Completion Algorithm for Electromagnetic Spectrum Based on SIDWT
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2025.3582876.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电磁频谱数据的全面获取对于认知无线电和电磁环境监测中的电磁频谱测绘等应用至关重要。然而，频谱传感器采样率的固有局限性及环境不可靠性往往导致数据丢失。现有频谱数据恢复方法主要采用其他领域的通用算法，未能充分挖掘频谱信号的本征特性。本文提出一种新颖的低秩自回归张量补全算法，利用平移不变离散小波变换（SIDWT）来恢复和重构不完整的电磁频谱数据。该方法着重于最小化SIDWT系数张量的截断核范数（T-TNN），该范数表现出更强的低秩特性。此外，引入AR(p)模型施加时间约束，确保重构数据在全局和局部特性上均与原始数据高度近似。此外，为解决高计算复杂度问题，我们开发了一种快速算法。基于真实数据的实验验证表明，所提算法的有效性。在78.1%的电磁频谱数据集和所有音频信号频谱数据集上，其性能优于当前最先进算法，与最佳基线算法相比，相对平方误差（RSE）至少提升2%。值得注意的是，在高缺失率及时间缺失（TM）数据集上，性能提升超过30%。所提方法为不完整电磁频谱数据的补全问题提供了新颖解决方案。所提快速算法在无明显性能下降的情况下，计算速度约提升40%。
Keyword:
Electromagnetic spectrum data
low-rank tensor completion
missing data imputation
shift-invariant discrete wavelet transform (SIDWT)
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
Tucker factorization with missing data with application to low- $$n$$ n -rank tensor completion
PREAI
分享收藏
Enhanced Low-Rank and Sparse Tucker Decomposition For Image Completion.png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
分享收藏
查看更多内容