[論文レビュー] Nonparametric Simultaneous Sparse Recovery: An Application To Source Localization

Esa Ollila|arXiv (Cornell University)|Feb 9, 2015

Sparse and Compressive Sensing Techniques参考文献 3被引用数 5

ひとこと要約

本稿では、残差行列に混合 $β_{p,q}$ 範数と行スパarsity制約を用いた、多重チャネル圧縮センシングにおけるロバストで非パrametricなスパース回復手法を提案する。この手法により、重尾分布のノイズや外れ値が存在する状況でも性能が向上する。SNIHT$(p,q)$ アルゴリズムは、低SNRおよび非ガウス分布ノイズ環境下で優れた源定位精度を達成し、特にSNIHT$(2,1)$は-20 dB SNRで最高のPERレート0.70を示した。

ABSTRACT

Publication in the conference proceedings of EUSIPCO, Nice, France, 2015

研究の動機と目的

• 非ガウス的で重尾分布のノイズおよび外れ値が存在する状況下で、標準的な greedy アルゴリズムおよび凸最適化手法の性能劣化を是正すること。
• ガウス分布の仮定が破れる状況でも精度を維持できる、非パrametricでロバストな多重チャネルスパース回復アプローチの開発。
• 混合 $β_{p,q}$ 範数によるロバストなデータ適合性と同時に行スパarsityを活用することで、センサアレイにおける源定位の性能を向上させること。
• 空間的サインを残差に用いることでロバスト性と行スパarsityの促進を実現する、greedy pursuit アルゴリズムSNIHT$(p,q)$の設計。
• 従来の手法（MUSIC や SNIHT$(2,2)$）と比較して、低SNRおよびインパルス的ノイズ環境下でも優れた性能を示すことを実証すること。

提案手法

• 残差行列 $ψ_{p,q}(\mathbf{Y} - \boldsymbol{\Phi}\mathbf{X})$ に混合 $β_{p,q}$ 範数を適用することで、最適化問題を定式化し、ロバスト性を向上させる。
• 信号行列 $Δ$ における行スパarsityを強制するために $β_{0,2}$-範数をスパarsity制約として用いる。
• 反復的に残差正則化解における $β_2$-ノルムが最大の $K$ 行を特定するグリーディーパーシュート法であるSNIHT$(p,q)$ アルゴリズムを開発する。
• SNIHTの標準的な $β_2$-ノルムを、特に $p=1$ または $p=2$ かつ $q=1$ の場合に注目した残差行列上の $β_{p,q}$-ノルムに置き換える。
• 残差の空間的サインを $ψ_{p,q}(\mathbf{R})$ を用いて利用することで、非パrametricかつ重尾分布ノイズに対してロバストな手法とする。
• ノイズ分散の推定に依存しないように、初期サポート集合 $\Gamma^0$ を $\boldsymbol{\Phi}^H \psi_{p,q}(\mathbf{Y})$ の各行ノルムの上位 $K$ 個から構築する。

実験結果

リサーチクエスチョン

• RQ1 残差行列に混合 $β_{p,q}$-ノルムを適用することで、非ガウス分布ノイズ下における多重チャネルスパース回復のロバスト性が向上するか？
• RQ2 低SNRおよびインパルス的ノイズ環境下で、SNIHT$(p,q)$ アルゴリズムは標準的なSNIHTおよびMUSICと比較してどの程度の性能を示すか？
• RQ3 $ψ_{p,q}$ を用いた空間的サインの利用により、ガウス分布の仮定をしない非パrametricかつロバストな回復が可能になるか？
• RQ4 異なる $p,q$ 組み合わせがセンサアレイ応用における源定位精度に与える影響は何か？
• RQ5 ロバストなスパース回復手法は、困難な信号対ノイズ環境下で古典的手法MUSICを上回る性能を示せるか？

主な発見

• -10 dB SNR 時に、SNIHT$(1,1)$ および SNIHT$(2,1)$ は1000回のモンテカルロ試行すべてで完全なサポート回復（PERレート1.0）を達成した。
• -20 dB SNR 時に、SNIHT$(2,1)$ は PER レート 0.70 を達成し、SNIHT$(2,2)$（0.11）および MUSIC（0.05）を著しく上回った。
• SNIHT$(1,1)$ は -20 dB SNR 時に PER レート 0.64 を達成し、低SNRおよび重尾分布ノイズ下でもロバストであることを示した。
• MUSIC は -20 dB SNR 時に完全に失敗し、グリッド全体にほぼ一様な分布を示した。これは、信頼できる源定位が全く行われていないことを示している。
• 提案手法 SNIHT$(p,q)$ は、真の DOA 位置（0°および8°）に高さの高い局所的ピークを生成し、正確な推定が行われたことを確認した。
• $β_{1,1}$ および $β_{2,1}$ 範数を残差に適用することで、空間的サインを活用した非パrametricかつロバストな回復が可能となり、標準的な $β_2$-ベース手法を上回った。