[論文レビュー] Model-Based Calibration of Filter Imperfections in the Random Demodulator for Compressive Sensing

Pawel Jerzy Pankiewicz, Thomas Arildsen+1 more|arXiv (Cornell University)|Mar 25, 2013

Advanced Fiber Optic Sensors参考文献 34被引用数 4

ひとこと要約

本稿では、既知のキャリブレーション信号を用いてインパルス応答誤差を推定することで、フィルタの不完全性を補正するモデルベースキャリブレーション手法を提案する。最小二乗推定を用いることで、最先端のDFTTIと比較してサンプル数を数個のオーダー少なくし、ノイズのない再構成において最大50 dBのSNR向上を達成する。また、M×NではなくM個のサンプルで十分であるため、計算リソースの消費を大幅に削減する。

ABSTRACT

The random demodulator is a recent compressive sensing architecture providing efficient sub-Nyquist sampling of sparse band-limited signals. The compressive sensing paradigm requires an accurate model of the analog front-end to enable correct signal reconstruction in the digital domain. In practice, hardware devices such as filters deviate from their desired design behavior due to component variations. Existing reconstruction algorithms are sensitive to such deviations, which fall into the more general category of measurement matrix perturbations. This paper proposes a model-based technique that aims to calibrate filter model mismatches to facilitate improved signal reconstruction quality. The mismatch is considered to be an additive error in the discretized impulse response. We identify the error by sampling a known calibrating signal, enabling least-squares estimation of the impulse response error. The error estimate and the known system model are used to calibrate the measurement matrix. Numerical analysis demonstrates the effectiveness of the calibration method even for highly deviating low-pass filter responses. The proposed method performance is also compared to a state of the art method based on discrete Fourier transform trigonometric interpolation.

研究の動機と目的

• 圧縮センシングシステムにおける、ハードウェア由来の測定行列の不一致によって引き起こされる信号再構成品質の低下を是正すること。
• ハードウェアの変更や動作周波数の変更なしに、フィルタの不完全性を補正する低サンプル数のキャリブレーション手法を開発すること。
• 計算コストの高いDFTTIキャリブレーションの実用的でモデルベースの代替手法を提供し、同等またはそれ以上の再構成品質を達成すること。
• 頻繁な再キャリブレーションを可能にするために、キャリブレーションに必要なサンプル数を最小限に抑えた手法を実現すること。

提案手法

• 本手法は、ランダムデモドレータのローパスフィルタの離散化インパルス応答における加法的誤差として、フィルタの不完全性をモデル化する。
• 既知のキャリブレーション信号を用いてシステムをサンプリングし、最小二乗推定法によりインパルス応答誤差を推定する。
• 推定された誤差を用いて初期測定行列をキャリブレートし、その後の信号再構成における精度を向上させる。
• 本キャリブレーションフレームワークは、切り捨てられたインパルス応答に基づき、線形推定を活用してモデル化された前段回路動作と実際の動作との差を最小化する。
• 誤差ベクトルを推定するための連立式（27）を用いて手法を定式化し、性能はインパルス応答長Lに対するキャリブレーションサンプル数M_qに依存する。
• 本手法は、M×N個のサンプルを必要とするDFTTIと比較し、M個のサンプルで十分であるため、時間的・リソース的オーバーヘッドを著しく削減する。

実験結果

リサーチクエスチョン

• RQ1 モデルベースキャリブレーション手法は、最小限のキャリブレーションサンプル数で、ランダムデモドレータのアナログフロントエンドにおけるフィルタの不完全性を効果的に補正できるか？
• RQ2 本手法の性能は、再構成品質と計算コストの観点からDFTTIと比較してどの程度か？
• RQ3 キャリブレーションサンプル数（M_q）とトーン数（K）が、インパルス応答誤差推定の精度に与える影響は何か？
• RQ4 バターワースおよびチェビシェフ型フィルタを含む、さまざまなフィルタタイプにおいて、顕著な部品バラツキが生じた場合でも、本手法はロバスト性を保っているか？
• RQ5 繰り返しキャリブレーションが求められるシステムにおいて、本手法が実用的で低オーバーヘッドのキャリブレーションステップとして利用可能か？

主な発見

• 提案手法によるモデルベースキャリブレーションにより、チェビシェフ型フィルタではRMSEが2.5677×10⁻⁷、バターワース型フィルタでは3.3824×10⁻⁷にまで低下し、再構成品質が顕著に向上した。
• 再構成SNRは、チェビシェフ型フィルタで最大180.98 dB、バターワース型フィルタで173.75 dBに達し、キャリブレーションなしのシステムと比較して50 dBの向上を達成した。
• キャリブレーション時間はDFTTIで0.1312秒、MBCで0.1457秒にまで短縮され、本手法はM×NではなくM個のサンプルで十分であるため、800×12600の問題において約12.6k個のサンプル数削減が可能となった。
• フィルタの不完全性が顕著な場合、本手法はDFTTIよりもSNR安定性に優れ、特にM_q ≥ Lの場合に顕著な誤差低減効果を示した。M_q ≈ 1.2Lの状況でも顕著な改善が見られた。
• トーン数Kを増加させた場合、DFTTIベースの手法では性能劣化が観察されたが、本手法は一貫した誤差補正を維持した。
• 本手法はM_q ≥ Lの条件下で最も効果的であり、M_q ≤ Lの場合は性能向上が得られず、場合によっては性能が劣化する傾向にあり、臨界なサンプル数の閾値が存在することが示された。