[論文レビュー] Multiobjective Bilevel Evolutionary Approach for Off-Grid Direction-of-Arrival Estimation

Yan Bai, Qi Zhao+3 more|arXiv (Cornell University)|Jun 14, 2021

Speech and Audio Processing参考文献 47被引用数 4

ひとこと要約

本稿では、脈動的ノイズ下でも高い精度で源数を特定し、DOAを推定する、マルチオブジェクティブ・バイレベル進化型アルゴリズム（MoBEA）を提案する。l0-ノルムによるスパarsityの正確な表現と、線形近似を用いない前方探索戦略により、オフグリッド誤差を低減することで、最先端の手法と比較して、源数特定と平均二乗誤差（RMSE）の両面で優れた性能を達成する。

ABSTRACT

The source number identification is an essential step in direction-of-arrival (DOA) estimation. Existing methods may provide a wrong source number due to inferior statistical properties (in low SNR or limited snapshots) or modeling errors (caused by relaxing sparse penalties), especially in impulsive noise. To address this issue, we propose a novel idea of simultaneous source number identification and DOA estimation. We formulate a multiobjective off-grid DOA estimation model to realize this idea, by which the source number can be automatically identified together with DOA estimation. In particular, the source number is properly exploited by the $l_0$ norm of impinging signals without relaxations, guaranteeing accuracy. Furthermore, we design a multiobjective bilevel evolutionary algorithm to solve the proposed model. The source number identification and sparse recovery are simultaneously optimized at the on-grid (lower) level. A forward search strategy is developed to further refine the grid at the off-grid (upper) level. This strategy does not need linear approximations and can eliminate the off-grid gap with low computational complexity. Simulation results demonstrate the outperformance of our method in terms of source number and root mean square error.

研究の動機と目的

• 低SNRまたは限られたスナップショット下での不正確な源数特定の課題に対処すること。特に脈動的ノイズ下での課題に焦点を当てる。
• スパースペナルティの緩和（例：l1またはlpノルム）に起因するモデル化誤差を回避するため、入射信号の正確なl0-ノルムを直接用いること。
• 非ガウス分布ノイズ環境下でも精度を維持できる、耐障害性の高いDOA推定フレームワークを開発すること。
• 線形近似を用いないまま、源数とDOA推定を同時に最適化するバイレベル進化型アルゴリズムを設計すること。

提案手法

• 2つの相反する目的（源数（l0-ノルムによる）と、脈動的ノイズを扱うためのロバストなコルレントロピーに基づくフィッティング誤差）を持つマルチオブジェクティブDOA推定モデルを提案する。
• バイレベル進化型フレームワークを採用：下位レベルでは、集団ベースの遺伝的アルゴリズムを用いて、源数特定とスパース信号復元を同時に行うグリッド上での最適化を実行する。
• 上位レベルで前方探索戦略を導入し、アクティブなグリッド点を精緻化することで、線形近似を用いずにオフグリッド誤差を低減し、計算コストも低く抑える。
• 非ガウス分布（例：SαS、GMM）の脈動的ノイズ環境下での性能向上を図るために、コルレントロピーをロバストな指標として採用する。
• パレート最適解のうち「膝」に位置する解を選択することで、最終的な源数とDOAの推定値を抽出する。
• 集団内における多様な解同士の情報交換を可能にすることで、探索の多様性を高め、最適解への収束性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 マルチオブジェクティブ・バイレベル進化型手法は、オフグリッド状況下で、同時にかつ正確に源数を特定し、DOAを推定できるか？
• RQ2 l1ノルムなどの緩和ペナルティと比較して、正確なl0-ノルムをスパarsityに用いることで、源数特定の精度はどの程度向上するか？
• RQ3 線形近似に依存せずに、前方探索戦略がどの程度オフグリッド誤差を低減できるか？
• RQ4 MoBEAは、従来のDOA手法と比較して、脈動的ノイズ環境下でどの程度の性能を発揮するか？
• RQ5 グリッド間隔やスナップショット数の変動に伴い、計算複雑性と推定精度のトレードオフはどの程度か？

主な発見

• MoBEAは、全テストシナリオにおいて最小のRMSEを達成しており、特に角度間隔が小さい場合やSNRが低い条件下で顕著な優位性を示す。
• GMMノイズ下で角度間隔が2°から10°の範囲で、MoBEAは最小のRMSEと最も正確な源数推定を維持し、lp-MUSIC、MCC-MUSIC、ベイズ最適手法を上回る。
• SαSノイズ下（α = 1.4、スナップショット数100）では、MoBEAが最高の局所化精度を達成し、95%の試行で正しく源数を特定した。
• MoBEAの平均実行時間はグリッドの細かさに比例して増加するが、依然として実用的であり、計算コストの大部分は行列逆行列計算に起因しており、並列処理による高速化の可能性を示唆している。
• スナップショット数が少ない（T = 30）状況下でも、MoBEAはlp-MUSICやMCC-MUSICを著しく上回り、RMSEおよび源数推定両面で優れた耐障害性を示した。
• 前方探索戦略は、線形近似を用いずにオフグリッド誤差を効果的に低減し、グリッド精緻化における高い精度と低計算コストを実現している。