[論文レビュー] KF-CS: Compressive Sensing on Kalman Filtered Residual

Namrata Vaswani|arXiv (Cornell University)|Dec 8, 2009

Sparse and Compressive Sensing Techniques参考文献 22被引用数 13

ひとこと要約

KF-CSは、時間変動するスパース信号の再構成精度を向上させるため、生の測定値ではなくカルマンフィルタ処理済みの残差に圧縮センシングを適用する再帰的圧縮センシング手法を提案する。複雑さは標準的なCSと同等でありながら、時間経過に伴う安定した誤差を達成し、LS-CS や単純なCSを凌駕する。特に測定レートが低い場合に顕著である。

ABSTRACT

We consider the problem of recursively reconstructing time sequences of sparse signals (with unknown and time-varying sparsity patterns) from a limited number of linear incoherent measurements with additive noise. The idea of our proposed solution, KF CS-residual (KF-CS) is to replace compressed sensing (CS) on the observation by CS on the Kalman filtered (KF) observation residual computed using the previous estimate of the support. KF-CS error stability over time is studied. Simulation comparisons with CS and LS-CS are shown.

研究の動機と目的

• 限られたノイズを含む線形測定値から、未知でゆっくり変化するスパースパターンを示す時間的連続スパース信号を再構成する再帰的で低コストの手法を開発すること。
• 測定値が少ない状況でも、過去の信号推定値とカルマンフィルタを活用することで、単純なCSやLS-CSを上回る再構成誤差の低減を実現すること。
• カルマンフィルタ処理済みの残差とサポートに依存するCSを用いることで、再帰的再構成における長期的誤差安定性を確保すること。
• バッチ処理の高コストを回避するため、標準的な圧縮センシングと同等の計算および記憶コストを維持すること。

提案手法

• KF-CSは、生の観測値に対する標準的な圧縮センシングの代わりに、前回の信号サポートの推定値を用いて計算されたカルマンフィルタ処理済みの残差に圧縮センシングを適用する。
• 各時刻において、カルマンフィルタは現在のサポート推定値に適用され、その残差がDantzig選択子ベースのCSソルバの入力として用いられ、新たなサポート要素が検出される。
• 本手法は、検出された非ゼロ係数を追加し、時間経過に伴いほぼゼロのままの係数を削除することで、サポート集合を動的に更新する。
• カルマンフィルタのパラメータ（ゲイン、誤差共分散）は、現在のサポート推定値を用いて再帰的に更新され、時間的整合性と誤差安定性が保証される。
• CSステップには、信号サポートサイズに対する強い理論的保証とノイズに強い性能を示すDantzig選択子が使用される。
• 誤差収束は、サポートが時間変動する条件下でのカルマンフィルタ誤差ダイナミクスの安定性解析により証明され、推定誤差の平均二乗収束がゼロに近づくことが示された。

実験結果

リサーチクエスチョン

• RQ1 カルマンフィルタ処理済み信号の残差に圧縮センシングを効果的に適用することで、動的スパース信号再構成における再構成精度を向上させることができるか？
• RQ2 生の測定値ではなくカルマンフィルタ処理済みの残差を用いることで、LS-CS や単純なCSと比較して、誤差安定性と再構成誤差が改善されるか？
• RQ3 KF-CSアルゴリズムが時間経過に伴い有界な推定誤差を維持する理論的条件は何か？
• RQ4 実際の応用において、KF-CSの計算コストはバッチ処理および非再帰的CS手法と比較してどの程度か？

主な発見

• KF-CSは、適切な条件下で、推定誤差の差が指数関数的にゼロに収束する安定した平均二乗誤差収束を達成する。
• 本手法は、測定数が少ない状況でもLS-CS や単純なCSを上回る再構成精度を示す。これは、過去の信号推定値をより効果的に活用しているためである。
• KF-CSの計算および記憶コストは、1時刻あたり$O(m^3)$、長さ$N$のシーケンスでは$O(Nm^3)$であり、バッチCSの$O(N^3m^3)$と比較して顕著に低い。
• 理論的解析により、カルマンフィルタの誤差ダイナミクスが安定している場合、推定誤差が平均二乗でゼロに収束することが証明された。これは、LS-CSに必要な仮定よりも強い仮定のもとで成立する。
• 本手法は誤差が有界に保たれ、確率的に収束することを保証し、カルマン誤差遷移行列の固有値半径に基づいた誤差減衰率の明示的上限が得られる。
• 実験的シミュレーションにより、特にSNRが低く、測定数が少ない状況下でも、KF-CSがLS-CS や単純なCSよりも低い再構成誤差を達成することが確認された。