[논문 리뷰] Application of the AAK theory for sparse approximation of exponential sums

Gerlind Plonka, Vlada Pototskaia|arXiv (Cornell University)|2016. 09. 30.

Mathematical Approximation and Integration참고 문헌 7인용 수 5

한 줄 요약

이 논문은 아담잔-아로브-크라인(AAK) 이론을 활용하여 이산 신호의 희소 근사화를 위한 새로운 알고리즘을 제안한다. 프로니의 방법을 통해 초기 매개변수를 복원하고 AAK 기반 최적화를 조합함으로써, $\ell^{1}$ 및 $\ell^{2}$ 노름에서 최소 오차 근사치를 계산하며, 특이값을 통한 최적의 낮은 랭크 헨켈 행렬 근사치를 달성한다. 수치 결과는 기존의 헤크부시의 레메즈 기반 접근법과 비교해도 경쟁력 있거나 우수한 성능을 보인다.

ABSTRACT

In this paper, we derive a new method for optimal $\ell^{1}$- and $\ell^2$-approximation of discrete signals on ${\mathbb N}_{0}$ whose entries can be represented as an exponential sum of finite length. Our approach employs Prony's method in a first step to recover the exponential sum that is determined by the signal. In the second step we use the AAK-theory to derive an algorithm for computing a shorter exponential sum that approximates the original signal in the $\ell^{p}$-norm well. AAK-theory originally determines best approximations of bounded periodic functions in Hardy-subspaces. We rewrite these ideas for our purposes and give a proof of the used AAK theorem based only on basic tools from linear algebra and Fourier analysis. The new algorithm is tested numerically in different examples.

연구 동기 및 목표

• 유한 지수합으로 표현된 신호에 대해 $\ell^{1}$ 및 $\ell^{2}$ 노름에서 오차를 최소화하는 최적의 방법을 개발하는 것.
• 이산 신호로부터 생성된 무한 헨켈 행렬에 대한 구조적 낮은 랭크 근사화에 AAK 이론을 적용하는 것.
• 기존 신호를 최소 오차로 근사하는 더 짧은 지수합을 계산하기 위한 구축 가능한 알고리즘을 제공하는 것.
• 기본적인 선형 대수학과 푸리에 분석만을 사용하여 AAK 이론과 유한 차원 근사 문제 사이의 연결 고리를 설정하는 것.

제안 방법

• 먼저, 표본 데이터로부터 원래 신호의 매개변수를 복원하기 위해 프로니의 방법(Apm2를 통해)을 적용한다.
• 신호 $f_k = \sum_{j=1}^N a_j z_j^k$ 로부터 무한 헨켈 행렬 ${\mathbf{\Gamma}}_{\mathbf{f}}$ 를 구성한다.
• AAK 이론을 사용하여 ${\mathbf{\Gamma}}_{\mathbf{f}}$ 의 최적 $K$-랭크 근사치를 $\ell^{p} \to \ell^{p}$ 연산자 노름에서 결정하며, 오차는 $K$-번째 특이값 $\sigma_K$ 로 제한된다.
• 낮은 랭크 헨켈 행렬에서 근사 신호 $\tilde{f}_k = \sum_{j=1}^K \tilde{a}_j \tilde{z}_j^k$ 를 재구성하여 최적의 $\ell^p$-오차를 확보한다.
• 고급 연산자 이론을 피하고 선형 대수학과 푸리에 분석만을 사용하여 이 설정에서 AAK 정리의 자립적인 증명을 제공한다.
• 알고리즘을 수치적으로 구현하고, $f(x) = 1/x$ 에 대해 기존의 헤크부시의 레메즈 기반 근사법과 비교한다.

실험 결과

연구 질문

• RQ1 지정된 $\ell^p$-오차 허용 오차 $\epsilon$ 내에서 주어진 신호를 근사하기 위해 필요한 최소 항 수 $K$ 는 얼마인가?
• RQ2 최소 $\|{\mathbf{f}} - \tilde{{\mathbf{f}}}\|_p$ 오차를 달성하기 위해 $K$-항 근사에 대한 최적의 매개변수 $\tilde{z}_j$ 와 $\tilde{a}_j$ 는 어떻게 계산할 수 있는가?
• RQ3 AAK 이론은 이산적이고 유한한 표본 신호에 대해 적응 및 구축 가능한 방식으로 증명되어 최적의 희소 근사화를 달성할 수 있는가?
• RQ4 AAK 기반 알고리즘의 성능은 레메즈 알고리즘과 같은 기존 방법과 비교해 볼 때 근사 오차 및 매개변수 구조 측면에서 어떻게 되는가?

주요 결과

• $M=100$ 개의 표본을 가진 $f(x) = 1/x$ 에 대해, AAK 기반 알고리즘은 $n=10$ 항일 때 $\ell^2$-오차 $4.53 \times 10^{-8}$ 을 달성하며, 헤크부시의 방법보다 우수한 $9.80 \times 10^{-8}$ 을 기록한다.
• AAK 기반 방법의 $\ell^2$-오차는 이론적 특이값 $\sigma_n$ 과 매우 유사하여 최적성 확인: 예를 들어 $\sigma_5 = 3.3233 \times 10^{-3}$, 오차 $= 3.2870 \times 10^{-3}$.
• 알고리즘은 안정적이고 구조적인 매개변수를 생성한다: $n \geq 5$ 일 때, 노드 $\tilde{z}_j$ 는 1 근처에 집중하고, 가중치 $\tilde{a}_j$ 는 첫 번째 몇 항에 집중된다.
• $n=10$ 일 때, AAK 기반 근사치는 상대적 $\ell^2$-오차 $4.53 \times 10^{-8}$ 을 달성하여 매우 높은 정확도를 보이며, 항의 수를 최소화한다.
• 이 방법은 AAK 이론을 통한 지수합의 최적 $\ell^p$-근사화를 위한 구축 가능하고 수치적으로 안정적인 경로를 제공하며, 합성 및 실세계 신호에서 모두 검증되었다.