[論文レビュー] Off-the-Grid Line Spectrum Denoising and Estimation with Multiple Measurement Vectors

Yuanxin Li, Yuejie Chi|arXiv (Cornell University)|Aug 10, 2014

Sparse and Compressive Sensing Techniques参考文献 32被引用数 7

ひとこと要約

本稿では、複数の測定ベクトル（MMVs）を用いたグリッド外の線スペクトルのノイズ除去および周波数推定のため、2つのアトムノルム最小化と構造的共分散推定手法を提案する。これにより、部分的でノイズの混入した観測から、任意の連続周波数を持つスペクトルスパース信号を高精度に回復できる。これらの手法は半正定値計画法を用いてノイズ除去性能を向上させるとともに、有限標本の性能保証を達成しており、理論的収束速度と効率的なADMM実装が提供されている。

ABSTRACT

Compressed Sensing suggests that the required number of samples for reconstructing a signal can be greatly reduced if it is sparse in a known discrete basis, yet many real-world signals are sparse in a continuous dictionary. One example is the spectrally-sparse signal, which is composed of a small number of spectral atoms with arbitrary frequencies on the unit interval. In this paper we study the problem of line spectrum denoising and estimation with an ensemble of spectrally-sparse signals composed of the same set of continuous-valued frequencies from their partial and noisy observations. Two approaches are developed based on atomic norm minimization and structured covariance estimation, both of which can be solved efficiently via semidefinite programming. The first approach aims to estimate and denoise the set of signals from their partial and noisy observations via atomic norm minimization, and recover the frequencies via examining the dual polynomial of the convex program. We characterize the optimality condition of the proposed algorithm and derive the expected convergence rate for denoising, demonstrating the benefit of including multiple measurement vectors. The second approach aims to recover the population covariance matrix from the partially observed sample covariance matrix by motivating its low-rank Toeplitz structure without recovering the signal ensemble. Performance guarantee is derived with a finite number of measurement vectors. The frequencies can be recovered via conventional spectrum estimation methods such as MUSIC from the estimated covariance matrix. Finally, numerical examples are provided to validate the favorable performance of the proposed algorithms, with comparisons against several existing approaches.

研究の動機と目的

• 離散グリッドに一致しない連続値周波数を持つスペクトルスパース信号におけるベースマッチング問題に対処すること。
• 同じ連続周波数集合を持つ複数のスペクトルスパース信号の、部分的かつノイズ混入した観測からのノイズ除去および周波数推定のための効率的アルゴリズムを開発すること。
• 複数の測定ベクトル（MMVs）に共通するスパarsityを活用して推定精度を向上させ、サンプリング要件を低減すること。
• 漸近的仮定に依存せずに、有限個の測定ベクトルに対する理論的性能保証を提供すること。
• 従来のDFTベース手法の制限を克服するため、グリッド量子化なしで高分解能スペクトル推定を可能とすること。

提案手法

• 連続正弦波上のスパarsityを促進するため、アトムノルム最小化を用いてグリッド外の線スペクトル推定問題を凸最適化として定式化する。
• アトムノルム最小化問題の解から連続周波数を回復するための双対多項式フレームワークを導入する。
• 母共分散行列の低ランクトーペイツ構造を部分観測された標本共分散行列から活用することで、構造的共分散推定手法を構築する。
• 半正定値計画法を用いて、アトムノルムおよび共分散推定問題を効率的に解き、収束保証を提供する。
• 正定値行列制約の強制に固有値分解を用いる閉形式更新を備えたADMMを採用し、効率的な実装を実現する。
• アトムノルムアプローチの最適性条件および収束速度を導出し、MMVsの増加に伴い性能が向上することを示す。

実験結果

リサーチクエスチョン

• RQ1 アトムノルム最小化は、部分的かつノイズ混入した観測下で、複数の測定ベクトルに拡張可能か？
• RQ2 単一ベクトルアプローチと比較して、複数の測定ベクトルの導入がノイズ除去および周波数回復性能をどのように向上させるか？
• RQ3 低ランクトーペイツ構造を用いて、部分観測データから母共分散行列を回復するための有限標本性能保証は何か？
• RQ4 アトムノルム問題の双対多項式は、グリッド量子化なしで正確に連続周波数を回復できるか？
• RQ5 提案されたアトムノルム最小化アルゴリズムの理論的収束速度は何か？また、測定ベクトルの数に伴いどのようにスケーリングされるか？

主な発見

• 提案されたアトムノルム最小化アプローチは、ノイズ除去誤差バウンド $ \frac{1}{\sqrt{n}}\|\hat{\mathbf{u}} - \mathbf{u}^\star\|_F \leq 16\lambda\sqrt{r} $ を達成し、測定ベクトルの増加に伴い性能が向上することを示している。
• 構造的共分散推定手法は、低ランクトーペイツ構造を活用して、部分観測データから母共分散行列を回復し、その後MUSICを用いて周波数を回復可能である。
• 有限個の測定ベクトルに対する性能保証が導出されており、限られたデータが得られる実用的状況でもロバスト性を確保している。
• 数値実験の結果、既存手法と比較して優れた性能を示しており、両手法のグリッド外スペクトル推定における有効性が実証されている。
• ADMM実装は閉形式更新を用いて収束を達成しており、アルゴリズムの計算効率とスケーラビリティを実現している。
• 理論的解析により、アトムノルムアプローチが複数の測定ベクトル間の共同スパarsityの恩恵を受けることが確認され、推定精度の向上とサンプリング要件の低減が達成されている。