[論文レビュー] Off-The-Grid Spectral Compressed Sensing With Prior Information

Kumar Vijay Mishra, Myung Cho+2 more|arXiv (Cornell University)|Nov 5, 2013

Sparse and Compressive Sensing Techniques参考文献 18被引用数 6

ひとこと要約

本稿では、周波数成分（極）の事前知識を活用して、スパース信号のスペクトル再構成を改善するオフ・ザ・グリッド圧縮センシング手法を提案する。原子ノルム最小化に一部の周波数を事前知識として組み込むことで、解像度条件を満たさない状況下でも、より少ないランダムサンプルで未知周波数および振幅の正確な再構成確率を向上させることができる。

ABSTRACT

Recent research in off-the-grid compressed sensing (CS) has demonstrated that, under certain conditions, one can successfully recover a spectrally sparse signal from a few time-domain samples even though the dictionary is continuous. In this paper, we extend off-the-grid CS to applications where some prior information about spectrally sparse signal is known. We specifically consider cases where a few contributing frequencies or poles, but not their amplitudes or phases, are known a priori. Our results show that equipping off-the-grid CS with the known-poles algorithm can increase the probability of recovering all the frequency components.

研究の動機と目的

• 一部の信号周波数が事前に分かっている場合のオフ・ザ・グリッド圧縮センシングにおけるスペクトル再構成の課題に対処すること。
• スペクトルスパース信号における未知周波数成分の再構成確率を向上させること。
• 周波数の一部に関する事前知識を活用することで、成功した再構成に必要な時間ドメインのランダムサンプル数を削減すること。
• スペクトル推定におけるベースバンドミスマッチおよび低解像度周波数条件に対するロバスト性を高めること。

提案手法

• 既知周波数の複素係数を最初に回復するために条件付き原子ノルム最小化を用い、信号から効果的にそれらをフィルタリングする。
• 既知の極をオフ・ザ・グリッド圧縮センシングフレームワークに組み込む半定値計画問題（SDP）を定式化する。
• 信号を既知および未知成分に分割し、残りの未知周波数の回復に限定する問題に簡略化する。
• 周波数位置（振幅や位相を除く）に関する事前知識を活用することで、回復の条件数と成功確率を向上させる。
• 既知極から導かれる制約を含む原子ノルム最小化を適用し、連続周波数ドメイン仮定下で正確な再構成を可能にする。
• さまざまな信号次元およびスパarsityレベルで、半定値プログラミングとモンテカルロ試行を用いた数値実験により、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 一部の周波数成分に関する事前知識が、スペクトルスパース信号におけるオフ・ザ・グリッド圧縮センシングの成功確率を向上させ得るか？
• RQ2 既知の極を組み込むことで、正確なスペクトル再構成に必要なサンプル数が削減されるか？
• RQ3 周波数成分が最小解像度条件を満たさない状況下で、既知極アルゴリズムはどのように性能を発揮するか？
• RQ4 ベースバンドミスマッチの下で、事前知識が未知振幅および位相の再構成にどの程度寄与するか？

主な発見

• 標準的なオフ・ザ・グリッドCSとは異なり、事前情報なしの手法に比べ、未知周波数成分の完全な再構成成功確率が向上する。
• 三重組 (n,m,s) = (32,9,4) において、既知周波数数 p が増加するにつれて、完全成功（k=s）の確率が顕著に上昇する。
• (n,m,s) = (256,40,s) の場合、未知周波数の再構成確率は p に応じて単調に増加し、スケーラビリティが裏付けられる。
• (n,s) = (80,6) の場合、既知極手法は標準オフ・ザ・グリッドCSと同等の再構成確率を達成するが、サンプル数（m が小さい）で実現可能である。
• 周波数が一様にランダムに抽出された場合（解像度条件を満たさない状況）、既知極アルゴリズムは高い成功率を維持するが、標準CSは一部の試行で完全に失敗する。
• (n,m,s) = (40,15,7) の場合、解像度制限を満たさない状況下でも1000試行中すべてで完全成功を達成するのに対し、標準的手法では複数の失敗が観測される。