[논문 리뷰] Compressive MUSIC: A Missing Link Between Compressive Sensing and Array Signal Processing

Jong‐Min Kim, Ok Kyun Lee외 1명|arXiv (Cornell University)|2010. 04. 26.

Indoor and Outdoor Localization Technologies참고 문헌 50인용 수 21

한 줄 요약

이 논문은 압축 감지(CS)와 어레이 신호 처리를 통합하는 새로운 알고리즘인 압축 MUSIC을 소개한다. 이 알고리즘은 CS를 활용해 초기 지지 집합을 식별한 후, 일반화된 MUSIC 기준을 적용해 나머지 지지 집합을 정밀화한다. 기존의 CS 방법보다 더 적은 센서 요소로 정확한 희소 복원을 달성하며, 유한한 샘플 수에서 이론적 $l_0$-한계에 가까운 성능을 보이며, 확률적 CS와 결정적 어레이 처리 사이의 격차를 메운다.

ABSTRACT

The multiple measurement vector (MMV) problem addresses the identification of unknown input vectors that share common sparse support. Even though MMV problems had been traditionally addressed within the context of sensor array signal processing, the recent trend is to apply compressive sensing (CS) due to its capability to estimate sparse support even with an insufficient number of snapshots, in which case classical array signal processing fails. However, CS guarantees the accurate recovery in a probabilistic manner, which often shows inferior performance in the regime where the traditional array signal processing approaches succeed. The apparent dichotomy between the {\em probabilistic} CS and {\em deterministic} sensor array signal processing have not been fully understood. The main contribution of the present article is a unified approach that unveils a {missing link} between CS and array signal processing. The new algorithm, which we call {\em compressive MUSIC}, identifies the parts of support using CS, after which the remaining supports are estimated using a novel generalized MUSIC criterion. Using a large system MMV model, we show that our compressive MUSIC requires a smaller number of sensor elements for accurate support recovery than the existing CS methods and can approach the optimal $l_0$-bound with finite number of snapshots.

연구 동기 및 목표

• 다중 측정 벡터(MMV) 문제에서 오랫동안 지속된 확률적 압축 감지(CS)와 결정적 어레이 신호 처리 간의 이원론을 해결한다.
• 기존 CS 방법이 고전적 어레이 처리가 뛰어난 저샘플 수 환경에서 최적 성능을 달성하지 못하는 한계를 극복한다.
• CS와 어레이 신호 처리의 장점을 살린 통합 프레임워크를 개발하여 지지 집합 복원 정확도를 향상시키고 필요한 센서 요소 수를 줄인다.
• 표준 CS 방법이 불가능한 바, 유한한 수의 샘플 수에서 이론적 $l_0$-한계에 가까운 성능을 달성한다.
• 변동하는 측정 벡터 수를 고려한 대규모 시스템 MMV 모델과 渐近 분석을 통해 새로운 알고리즘의 이론적 기반을 제공한다.

제안 방법

• 하위공간 기반 직교 매칭 추적(S-OMP) 알고리즘을 통해 CS를 활용해 진짜 지지 집합의 일부, 특히 첫 $k-r$ 인덱스를 초깃값으로 식별한다.
• 잔차 부분공간이 추정된 신호 부분공간과 수직이 되도록 하는 새로운 일반화된 MUSIC 기준을 적용하여 나머지 지지 집합을 추정한다.
• 사전 정의된 사전 원자들을 잔차 부분공간에 투영한 결과를 기반으로 검출 통계량을 정의한다: $ m\boldsymbol{a}_j^* P_{R(P_{R(A_{I_t})}^\bot B)} \|^{2} $, 이는 지지 및 비지지 인덱스를 구분하는 데 사용된다.
• 마르체노-파스트르 정리와 카이제곱 분포 분석을 활용해 대규모 시스템 한계에서 검출 통계량의 渐近적 행동을 유도한다.
• SNR, 조건수 $\kappa(B)$, 비율 $r/k$를 바탕으로 알고리즘이 높은 확률로 지지 집합 인덱스를 정확히 식별할 수 있는 이론적 조건을 수립한다.
• 두 가지 별개의 渐近적 영역을 유도한다: (1) 고정된 $r$과 $n \to \infty$의 경우, (2) $r/k \to \alpha > 0$ 이면서 $n \to \infty$의 경우로, 다양한 측정 조건 하에서의 성능을 분석한다.

실험 결과

연구 질문

• RQ1 압축 감지와 어레이 신호 처리의 장점을 결합한 통합 프레임워크를 MMV 문제에 대해 개발할 수 있는가?
• RQ2 제안된 압축 MUSIC 알고리즘이 유한한 샘플 수에서 표준 CS 방법보다 더 뛰어난 지지 집합 복원 성능을 달성하는가?
• RQ3 유한한 수의 측정 벡터를 가진 상태에서 압축 MUSIC 알고리즘이 희소 복원 측면에서 이론적 $l_0$-한계에 가까이 접근할 수 있는가?
• RQ4 압축 MUSIC의 성능은 측정 벡터 수 $r$과 신호 대 잡음비(SNR)에 어떻게 의존하는가?
• RQ5 대규모 시스템 한계에서 일반화된 MUSIC 기준이 진짜 지지 집합을 정확히 식별할 수 있도록 보장하는 이론적 조건은 무엇인가?

주요 결과

• 압축 MUSIC은 특히 저샘플 수 환경에서 기존 CS 방법보다 더 적은 센서 요소로 정확한 지지 집합 복원을 달성한다.
• 표준 CS 방법이 확률적 보장에 의존하는 데 반해, 이 알고리즘은 유한한 수의 샘플 수에서 최적의 $l_0$-한계에 가까운 성능을 달성할 수 있다.
• 고정된 $r$과 $n \to \infty$의 영역에서, $ m > k \left[1 - \frac{4k}{r}\frac{\kappa(B)+1}{{\sf SNR}_{\min}-1} \right]^{-1} 2(1+\delta) \frac{\log(n-k)}{r} $ 조건을 만족할 경우 알고리즘이 높은 확률로 정확한 지지 집합 식별을 달성한다.
• 비율 $r/k \to \alpha > 0$ 인 경우, $ m > k(1+\delta)^2 \frac{1}{\left(1 - \frac{4}{\alpha}\frac{\kappa(B)+1}{{\sf SNR}_{\min}-1}\right)^2} [2 - F(\alpha)]^2 $ 조건을 만족하면 알고리즘이 정확한 식별을 보장한다. 여기서 $\delta > 0$이다.
• 이론적 분석을 통해 참 지지 집합 인덱스에 대한 검출 통계량이 점 渐진적으로 거짓 경고의 임계값을 초과함을 확인하였으며, $ \liminf_{n\to\infty} \max_{j\in{\rm supp}X} \frac{m\|\mathbf{a}_j^* P_{R(P_{R(A_{I_t})}^\perp Y)}\|^{2}}{2\log(n-k)} \geq 1+\delta $ 이다. 이는 신뢰할 수 있는 검출을 보장한다.
• 이 방법은 CS를 통해 초깃값으로 지지 집합을 추정하고, MUSIC을 통해 정밀화함으로써 CS와 어레이 처리를 성공적으로 통합하였으며, 오랫동안 지속된 두 기법 간의 성능 격차를 해소하였다.