[論文レビュー] A Unified Approach to Sparse Signal Processing

Farokh Marvasti, Arash Amini+7 more|ArXiv.org|Feb 11, 2009

Sparse and Compressive Sensing Techniques参考文献 182被引用数 13

ひとこと要約

本稿は、標本化、符号化、スペクトル推定、アレイ処理、源分離、チャネル推定などの多様な分野におけるスパース信号処理の統合フレームワークを提示する。スパース表現や、圧縮センシングおよびクリロフ部分空間法に類する反復的再構成アルゴリズムの共通の数学的構造を明らかにすることで、すべての分野において、標本化レートと計算複雑性を顕著に低減可能であることを示している。

ABSTRACT

A unified view of sparse signal processing is presented in tutorial form by bringing together various fields. For each of these fields, various algorithms and techniques, which have been developed to leverage sparsity, are described succinctly. The common benefits of significant reduction in sampling rate and processing manipulations are revealed. The key applications of sparse signal processing are sampling, coding, spectral estimation, array processing, component analysis, and multipath channel estimation. In terms of reconstruction algorithms, linkages are made with random sampling, compressed sensing and rate of innovation. The redundancy introduced by channel coding in finite/real Galois fields is then related to sampling with similar reconstruction algorithms. The methods of Prony, Pisarenko, and MUSIC are next discussed for sparse frequency domain representations. Specifically, the relations of the approach of Prony to an annihilating filter and Error Locator Polynomials in coding are emphasized; the Pisarenko and MUSIC methods are further improvements of the Prony method. Such spectral estimation methods is then related to multi-source location and DOA estimation in array processing. The notions of sparse array beamforming and sparse sensor networks are also introduced. Sparsity in unobservable source signals is also shown to facilitate source separation in SCA; the algorithms developed in this area are also widely used in compressed sensing. Finally, the multipath channel estimation problem is shown to have a sparse formulation; algorithms similar to sampling and coding are used to estimate OFDM channels.

研究の動機と目的

• スパース信号処理の多様な分野を、共通の数学的枠組みで統合すること。
• 多様な応用分野に共通するアルゴリズム的原則（特にスパarsityの活用と再構成技術）を同定すること。
• スパース信号処理が、標本化レートと計算複雑性を顕著に低減可能であることを示すこと。
• ある分野（例：圧縮センシング）の手法が、他の分野（例：スペクトル推定やチャネル推定）に効果的に転送可能であることを示すこと。
• アニュレーティングフィルターや誤り検出多項式に現れる構造的行列が、効率的なスパース回復を可能にする役割を強調すること。

提案手法

• 共通の数学的定式化：y = Ax + ν で、x はスパースで、A は変換行列。
• 大きなスパース線形方程式系を解くためにクリロフ部分空間法を適用し、多項式条件付けと残差最小化を活用。
• プロニの法、符号理論における誤り検出多項式、およびインノベーションレートにおけるアニュレーティングフィルタの類似性を明らかに。
• 共役勾配法やLSQRなどの反復的アルゴリズムにより、クリロフ部分空間における残差ノルムを最小化することでスパース信号を再構成。
• 時間領域、周波数領域、または空間領域におけるスパarsityに依存して、システム次元と標本化要件を低減。
• 共通の再構成原理を通じて、圧縮センシング、ランダム標本化、有限レートのインノベーション標本化の等価性を実証。

実験結果

リサーチクエスチョン

• RQ1 スパース信号処理を、多様な信号処理分野にわたってどのように統合できるか？
• RQ2 標本化、符号化、スペクトル推定、アレイ処理におけるスパース回復の背後にある共通の数学的構造は何か？
• RQ3 ある分野（例：圧縮センシング）のアルゴリズムが、他の分野（例：チャネル推定）にどの程度効果的に転送可能か？
• RQ4 アニュレーティングフィルターや誤り検出多項式に現れる構造的行列が、効率的なスパース回復を可能にする役割は何か？
• RQ5 クリロフ部分空間法と多項式条件付けは、スパース信号の効率的再構成にどのように寄与するか？

主な発見

• スパース信号処理により、すべての応用分野において、標本化レートと計算複雑性を顕著に低減可能である。
• 同じコアアルゴリズム（特にクリロフ部分空間法と多項式ベース再構成）が、圧縮センシング、スペクトル推定、チャネル推定の問題に適用可能である。
• プロニの法、ピサルエンコの法、MUSICは、スパース周波数回復の特殊ケースであり、より高いロバストネスと分解能を示す。
• 符号理論における誤り検出多項式は、インノベーションレートにおけるアニュレーティングフィルタと数学的に同等である。
• スパースアレイビームフォーミングとセンサーネットワークは、圧縮センシングと同様の原理を活用し、より少ないセンサで正確なDOA推定が可能になる。
• ゲノム分野における圧縮マイクロアレイは、スパース測定行列とスパース回復アルゴリズムを用いることで、完全なアレイと同等の性能を達成し、コストと複雑性を低減する。