Blind Deconvolution via Sequential Imputations
通过序贯插补进行盲反卷积AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：移动平均结构用于通信信号恢复，摘要没有宏观时间序列或金融高频计量的直接依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过序贯插补进行盲反卷积
- 研究问题
- 在数字通信中，如何实时恢复经未知线性移动平均通道模糊、并受加性高斯噪声污染的离散输入信号？
- 方法与思路
- 作者应用自适应序贯插补重建信号，并引入用于提高计算效率的更新程序，给出理论论证及两个模拟系统的展示。
- 材料陈述的贡献
- 摘要称方法无需通道满足非最小相位条件，可用于实时信号恢复；其效率改进程序获得理论支持，并在模拟系统中演示。
- 阅读关注点
- 应核对未知通道与输入信号的建模、更新程序的有效性条件，以及实时计算成本和两个模拟系统的恢复误差。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明其他通道限制、识别条件或恢复精度。
原文摘要
The sequential imputation procedure is applied to adaptively and sequentially reconstruct discrete input signals that are blurred by an unknown linear moving average channel and contaminated by additive Gaussian noises, a problem known as blind deconvolution in digital communication. A rejuvenation procedure for improving the efficiency of sequential imputation is introduced and theoretically justified. The proposed method does not require the channel to be nonminimum phase and can be used in real time signal restoration. Two simulated systems are studied to illustrate the proposed method. Our result shows that the ideas of multiple imputations and flexible simulation techniques are as powerful in engineering as in survey sampling.