[論文レビュー] Exact Joint Sparse Frequency Recovery via Optimization Methods

Zai Yang, Lihua Xie|arXiv (Cornell University)|May 26, 2014

Sparse and Compressive Sensing Techniques参考文献 55被引用数 38

ひとこと要約

本稿では、複数の測定ベクトル（MMVs）間で共有される周波数成分を活用し、正確な連合スパース周波数回復のための原子ノルムに基づく凸最適化手法を提案する。理論的条件下で正確な回復を可能にし、必要な測定数を削減するか、周波数分離条件を緩和することで、相関性の高いまたはノイズの多い状況でも従来のMUSIC法を凌駆する性能を発揮する。

ABSTRACT

Frequency recovery/estimation from discrete samples of superimposed sinusoidal signals is a classic yet important problem in statistical signal processing. Its research has recently been advanced by atomic norm techniques which exploit signal sparsity, work directly on continuous frequencies, and completely resolve the grid mismatch problem of previous compressed sensing methods. In this work we investigate the frequency recovery problem in the presence of multiple measurement vectors (MMVs) which share the same frequency components, termed as joint sparse frequency recovery and arising naturally from array processing applications. To study the advantage of MMVs, we first propose an $\ell_{2,0}$ norm like approach by exploiting joint sparsity and show that the number of recoverable frequencies can be increased except in a trivial case. While the resulting optimization problem is shown to be rank minimization that cannot be practically solved, we then propose an MMV atomic norm approach that is a convex relaxation and can be viewed as a continuous counterpart of the $\ell_{2,1}$ norm method. We show that this MMV atomic norm approach can be solved by semidefinite programming. We also provide theoretical results showing that the frequencies can be exactly recovered under appropriate conditions. The above results either extend the MMV compressed sensing results from the discrete to the continuous setting or extend the recent super-resolution and continuous compressed sensing framework from the single to the multiple measurement vectors case. Extensive simulation results are provided to validate our theoretical findings and they also imply that the proposed MMV atomic norm approach can improve the performance in terms of reduced number of required measurements and/or relaxed frequency separation condition.

研究の動機と目的

• 複数の測定ベクトル（MMVs）が同じスパース周波数成分を共有する状況において、正確な周波数回復の課題に対処すること。
• 離散的圧縮センシングにおけるグリッド不一致問題を解消するため、連続周波数領域で直接作業すること。
• MMVs間の連合スパース性を活用して回復性能を向上させ、必要な測定数を削減するか、周波数分離条件を緩和すること。
• 非凸的連合スパース問題を原子ノルムフレームワークを用いて凸緩和化し、効率的な半正定値計画法による解法を可能にすること。
• 適切な条件下で正確な周波数回復を保証する理論的保証を提供すること。これは、MMV圧縮センシングおよび連続スーパーレゾリューションフレームワークを拡張するものである。

提案手法

• 連合スパース性を活用するための $β_{2,0}$-ノルムに類似した最適化アプローチを提案するが、非凸的かつNP困難であるため解法が困難である。
• 連続周波数回復のための原子ノルムを用いた凸緩和化を導入し、これをMMV原子ノルムアプローチと呼ぶ。
• データ適合性制約のもとで原子ノルムを最小化する問題に定式化し、半正定値計画法による解法を可能にする。
• 原子ノルム最小化問題を効率的に解くために、半正定値計画法（SDP）緩和を用いる。
• ノイズ状況では、観測データのフロベニウスノルム誤差を制約として用いた制約付き最適化に拡張する。
• 性能を評価するために、従来のMUSIC法およびSMV原子ノルム法と本手法を比較する。

実験結果

リサーチクエスチョン

• RQ1 単一測定ベクトル（SMV）法と比較して、複数測定ベクトル（MMVs）における連合スパース性が連続周波数の正確な回復をどのように向上させるか？
• RQ2 提案手法の原子ノルム法が、MMV設定において正確な周波数回復を保証する理論的条件は何か？
• RQ3 従来の部分空間法（MUSIC）が失敗する、コherentな信号源やノイズが存在する状況において、本手法はどのように性能を発揮するか？
• RQ4 MMV原子ノルムアプローチを用いることで、必要な測定数をどの程度削減できるか、あるいは周波数分離条件をどの程度緩和できるか？
• RQ5 耐性および誤検出成分の抑制という観点から、本手法はMUSIC法およびSMV原子ノルム法と比較して、どの程度優れているか？

主な発見

• 提案されたMMV原子ノルム手法は、適切な条件下で正確な周波数回復を可能にし、連続圧縮センシングフレームワークを複数測定ベクトルの場合に拡張する。
• シミュレーション結果から、SMV法と比較して必要な測定数を削減し、周波数分離条件を緩和できることが示された。
• コherentな信号源とノイズが存在する状況では、本手法は3つの周波数成分をすべて正確に回復できたが、MUSIC法はコherentな信号源を解離できなかった。
• ANM法では誤検出周波数成分が現れるが、そのエネルギーは非常に小さく、SMVケースでは総エネルギーの約0.4%、MMVケースでは $10^{-6}$ のオーダーにとどまる。
• ノイズ状況では1問題あたり約1.5秒、ノイズなしのシミュレーションでは約13秒の計算時間を要し、広範なシミュレーションの合計計算時間は約200時間であった。
• 理論的解析により、成功した回復が理論的上限 $K = \frac{1}{2}(M+L)$ を上回る場合にも可能であることが示され、最悪ケースの境界をはるかに超える強力な実験的性能が裏付けられた。