[論文レビュー] Multi-dimensional Spectral Super-Resolution with Prior Knowledge via Frequency-Selective Vandermonde Decomposition and ADMM

Yinchuan Li, Xiaodong Wang+1 more|arXiv (Cornell University)|Jun 1, 2019

Sparse and Compressive Sensing Techniques参考文献 48被引用数 6

ひとこと要約

本稿では、周波数帯域に関する事前知識を周波数選択的（FS）アトムノルム最小化とADMMに基づく最適化を用いて活用する、多次元（MD）スペクトルスーパーリソリューション手法を提案する。ブロックトーペリッツ行列のMD周波数選択的バーデモンド分解を活用することで、非凸なスーパーリソリューション問題を扱いやすい半正定値計画（SDP）に変換し、低ランクテンソルモデルおよび不完全・ノイズ混在データ下でも高分解能周波数推定を実現する。

ABSTRACT

This paper is concerned with estimation of multiple frequencies from incomplete and/or noisy samples based on a low-CP-rank tensor data model where each CP vector is an array response vector of one frequency. Suppose that it is known a priori that the frequencies lie in some given intervals, we develop efficient super-resolution estimators by exploiting such prior knowledge based on frequency-selective (FS) atomic norm minimization. We study the MD Vandermonde decomposition of block Toeplitz matrices in which the frequencies are restricted to lie in given intervals. We then propose to solve the FS atomic norm minimization problems for the low-rank spectral tensor recovery by converting them into semidefinite programs based on the MD Vandermonde decomposition. We also develop fast solvers for solving these semidefinite programs via the alternating direction method of multipliers (ADMM), where each iteration involves a number of refinement steps to utilize the prior knowledge. Extensive simulation results are presented to illustrate the high performance of the proposed methods.

研究の動機と目的

• 周波数が特定の帯域内にあることが既知である場合の多次元（MD）スペクトルスーパーリソリューションの課題に対処すること。
• 事前知識統合が欠如している従来の圧縮センシングおよびアトムノルム手法の限界を克服すること。
• 不完全かつノイズ混在のサンプリング下での低ランクテンソルに基づくスペクトル推定のためのフレームワークを開発すること。
• 事前知識を組み込むように調整されたADMMベースのソルバーを用いて、効率的なスーパーリソリューション計算を可能にすること。
• 低ランクテンソル仮定の下で、MD-FSアトムノルム最小化と半正定値計画（SDP）との理論的同等性を確立すること。

提案手法

• 周波数制約をモデル化するために、d段階のブロックトーペリッツ行列の多次元周波数選択的（FS）バーデモンド分解を用いる。
• MD-FSアトムノルム最小化問題を、MD-FSバーデモンド分解を用いて半正定値計画（SDP）に変換する。
• 得られたSDPを効率的に解くために、交替方向乗数法（ADMM）を用い、反復毎に事前知識を組み込むための精練ステップを実施する。
• スペクトルスーパーリソリューションおよび性能解析を支援するため、双対問題から導出される双対多項式表現を導入する。
• 周波数帯域に対応する正定値ブロックをSDPに制約として課すことにより、周波数支援が既知の領域内に位置することを保証する。
• 低ランクテンソル仮定の下で、MD-FSアトムノルムと提案されたSDP定式化との理論的同等性を確立する。

実験結果

リサーチクエスチョン

• RQ1 周波数帯域に関する事前知識を、推定精度を向上させるために多次元スペクトルスーパーリソリューションに効果的に統合できるか？
• RQ2 1次元から多次元（MD）設定にまで一般化可能な周波数選択的（FS）アトムノルムは、低ランクテンソル回復にどう応用できるか？
• RQ3 低ランクテンソルモデル下で、MD-FSアトムノルム最小化と半正定値計画（SDP）との関係は何か？
• RQ4 複数の周波数帯域制約を有する高次元SDPを効率的に解くために、ADMMをどのように適合させられるか？
• RQ5 MD-FSアトムノルム最小化の双対問題から得られる双対多項式は、スーパーリソリューション性能の検証に利用できるか？

主な発見

• 提案手法は、周波数帯域に関する事前知識を活用することで、サブナイキストサンプリングおよびノイズ混在条件下でも高分解能スペクトル推定を実現する。
• 低ランクテンソルが前提である場合、MD-FSアトムノルム最小化問題は理論的に提案されたSDP定式化と同等である。
• ADMMベースのソルバーにより、反復毎に事前知識を組み込む精練ステップを有するSDPの効率的計算が可能である。
• 双対問題から得られる双対多項式は、解の最適性を検証し、スーパーリソリューション性能を分析するために利用できる。
• 広範なシミュレーションにより、従来のアトムノルム法および圧縮センシング手法に比べ、周波数推定精度とノイズ耐性の面で本手法の優位性が示された。
• 周波数選択的制約の構造と低ランクテンソルモデルの特徴を活かすことで、標準的なSDPソルバーに比べて計算複雑度を顕著に低減できた。