[論文レビュー] Generalized Distributed Compressive Sensing

Jeong‐Hun Park, Seunggye Hwang+2 more|arXiv (Cornell University)|Nov 28, 2012

Sparse and Compressive Sensing Techniques参考文献 10被引用数 7

ひとこと要約

本稿では、複数の信号間で完全な情報および部分的な情報の両方を含む任意の種類の共通情報のモデル化を可能にする、一般化された分散圧縮センシング（GDCS）を提案する。測定数に必要な理論的上限を導出し、相関構造を検出する新しいアルゴリズムを導入することで、信号間の相関に関する事前知識がなくても、より優れたスパース信号再構成が可能となり、実用的なマルチセンサー環境における性能が顕著に向上する。

ABSTRACT

Distributed Compressive Sensing (DCS) improves the signal recovery performance of multi signal ensembles by exploiting both intra- and inter-signal correlation and sparsity structure. However, the existing DCS was proposed for a very limited ensemble of signals that has single common information \cite{Baron:2009vd}. In this paper, we propose a generalized DCS (GDCS) which can improve sparse signal detection performance given arbitrary types of common information which are classified into not just full common information but also a variety of partial common information. The theoretical bound on the required number of measurements using the GDCS is obtained. Unfortunately, the GDCS may require much a priori-knowledge on various inter common information of ensemble of signals to enhance the performance over the existing DCS. To deal with this problem, we propose a novel algorithm that can search for the correlation structure among the signals, with which the proposed GDCS improves detection performance even without a priori-knowledge on correlation structure for the case of arbitrarily correlated multi signal ensembles.

研究の動機と目的

• 従来の分散圧縮センシング（DCS）が完全な共通情報のみを仮定しているという制限を克服するため、部分的な共通情報も含む一般化されたモデルを提示すること。
• 一般化モデル下での正確な信号再構成に必要な測定数の理論的限界を導出すること。
• 信号間の相関パターンに関する事前知識がなくても、相関構造を検出できる実用的なアルゴリズムを開発すること。
• 信号が複雑で任意の相関構造を持つマルチセンサー環境において、スパース信号検出の性能を向上させること。

提案手法

• 信号集合全体に完全な共通情報と、さまざまな形態の部分的共通情報を組み込む一般化されたDCS（GDCS）モデルを提案する。
• グラフ理論的解析とハールの結婚定理を用いて、信号再構成における一意なマッチングを保証する測定数の理論的限界を導出する。
• 信号間の潜在的な相関構造を検出するための新しい反復的アルゴリズムを導入し、事前知識がなくても部分的共通情報を活用できるようにする。
• 列の差分計算と行の選択に基づく行列構築手法を用い、感度行列のランクを保持し、フルランク性を確保する。
• ガウス確率的行列のフルランク性（補題1による）を活用し、提案されたフレームワーク下で安定した信号再構成を保証する。
• センサー固有の近隣関係に基づいて成分を再配置する構造化された感度行列を採用し、再構成を最適化する。

実験結果

リサーチクエスチョン

• RQ1 完全な共通情報に加え、複数の信号間で部分的な共通情報も扱える一般化されたDCSモデルを定式化できるか？
• RQ2 一般化されたDCSモデル下で正確な再構成に必要な測定数の理論的下限は何か？
• RQ3 相関構造に関する事前知識が欠如している状況でも、信号間の相関構造を自動的に検出する方法は何か？
• RQ4 信号間の相関に関する明示的知識がなくても、提案されたアルゴリズムがスパース信号検出において顕著な性能向上を達成できるか？

主な発見

• 提案されたGDCSモデルは、完全な共通情報と部分的な共通情報を両方組み込むことで、従来のDCSを一般化し、より広範な実世界の信号集合に適用可能となる。
• 測定数の理論的限界が導出され、部分的共通成分を有する連合スパarsityは、個別スパarsityに比べて必要な測定レートを低減することを示している。
• 提案された相関検出アルゴリズムにより、相関構造に関する事前知識がなくても、信号再構成の性能向上が顕著に達成される。
• 数値シミュレーションにより、GDCSフレームワークが従来のDCSに比べて再構成精度と測定効率の両面で優れていることが確認された。
• ランクを保持する操作に基づく構造化された感度行列の使用により、導出された理論的条件下で高い確率で安定した再構成が保証される。
• 理論的解析により、構築された感度行列が確率1でフルランクを維持することが証明され、信頼性の高い信号再構成が可能となる。