[論文レビュー] Off-grid Variational Bayesian Inference of Line Spectral Estimation from One-bit Samples.

Jiang Zhu, Qi Zhang+1 more|arXiv (Cornell University)|Nov 14, 2018

Blind Source Separation Techniques参考文献 48被引用数 4

ひとこと要約

本稿では、1ビット量子化されたサンプルからオフグリッド線スペクトル推定を行うための変分ベイズ推定手法 VALSE-EP を提案する。量子化モデルを最小平均二乗誤差（MMSE）モジュールと標準線形モデルに分解することで、期待誤差伝搬（EP）を用いて反復的に周波数推定を改善するアルゴリズムとなり、困難な1ビット状況下でも優れた性能を示し、複数測定ベクトル（MMV）への自然な拡張が可能である。

ABSTRACT

In this paper, the line spectral estimation (LSE) problem is studied from one-bit quantized samples where variational line spectral estimation (VALSE) combined expectation propagation (EP) VALSE-EP method is proposed. Since the original measurements are heavily quantized, performing the off-grid frequency estimation is very challenging. Referring to the expectation propagation (EP) principle, this quantized model is decomposed as two modules, one is the componentwise minimum mean square error (MMSE) module, the other is the standard linear model where the variational line spectrum estimation (VALSE) algorithm can be performed. The VALSE-EP algorithm iterates between the two modules in a turbo manner. In addition, this algorithm can be easily extended to solve the LSE with the multiple measurement vectors (MMVs). Finally, numerical results demonstrate the effectiveness of the proposed VALSE-EP method.

研究の動機と目的

• 測定値が1ビットに極端に量子化された状況下でのオフグリッド周波数推定の課題に対処すること。
• 極度の量子化損失に対しても精度を維持できる堅牢な推定フレームワークの構築。
• スペクトル推定の向上を図るため、複数測定ベクトル（MMV）を扱えるようにこの手法を拡張すること。
• 効率的で反復的な周波数推定を実現するため、変分ベイズ推定と期待誤差伝搬を活用すること。

提案手法

• VALSE-EPアルゴリズムは、1ビット量子化モデルを2つのモジュールに分解する：成分ごとのMMSEモジュールと標準線形モデルモジュール。
• 期待誤差伝搬（EP）を用いて、2つのモジュール間でトルボ風の方法で後方確率分布の近似を反復的に更新する。
• 線形モデルモジュール内では、変分線スペクトル推定（VALSE）アルゴリズムを適用して線スペクトルを推定する。
• MMSE近似の更新と、変分推論によるスペクトル推定の精緻化を交互に繰り返す。
• 線形モデル部を一般化することで、複数測定ベクトル（MMV）への自然な拡張が可能となる。
• 2つのモデル部間での反復的メッセージ伝達により収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 1ビット量子化されたサンプルから、どのように高精度なオフグリッド周波数推定を達成できるか？
• RQ2 変分ベイズ推定は、非ガウス分布で極めて量子化された尤度を持つ1ビット測定において、効果的に機能するか？
• RQ3 VALSE-EP手法は、極度の量子化下でも、従来手法と比較して周波数分解能とロバストネスにおいて優れているか？
• RQ4 提案されたフレームワークは、最小限の変更で複数測定ベクトル（MMV）に対しても拡張可能か？

主な発見

• VALSE-EP手法は、1ビット量子化下でも高分解能の線スペクトル推定を達成し、困難な条件下でも従来手法を上回る性能を示した。
• MMSEモジュールと線形モデルモジュール間の反復的EPベースの精緻化により、推定精度と収束安定性が向上した。
• 従来のグリッドベース手法が失敗するオフグリッド状況においても、本手法は頑健な性能を示した。
• フレームワークは複数測定ベクトル（MMV）に対しても自然に拡張可能であり、効率的な連合スペクトル推定が可能となった。