[논문 리뷰] Cramer-Rao Bound for Sparse Signals Fitting the Low-Rank Model with Small Number of Parameters

Mahdi Shaghaghi, Sergiy A. Vorobyov|arXiv (Cornell University)|2015. 02. 26.

Sparse and Compressive Sensing Techniques참고 문헌 35인용 수 17

한 줄 요약

이 논문은 낮은 질서의 신호 모델에서 파rameter 추정에 대한 Cramér-Rao Bound (CRB)를 유도하며, 특히 유한 기저에서 반드시 희소가 아니어야 하는 희소 신호에 대해 다룬다. 편향 없는 추정에서 유한 분산을 확보하기 위해서는 소스 수보다 더 많은 압축 샘플이 필요하며, 이는 DOA 추정 예제를 통해 검증된다. 압축이 증가함에 따라 CRB가 증가함을 보여준다.

ABSTRACT

In this paper, we consider signals with a low-rank covariance matrix which reside in a low-dimensional subspace and can be written in terms of a finite (small) number of parameters. Although such signals do not necessarily have a sparse representation in a finite basis, they possess a sparse structure which makes it possible to recover the signal from compressed measurements. We study the statistical performance bound for parameter estimation in the low-rank signal model from compressed measurements. Specifically, we derive the Cramer-Rao bound (CRB) for a generic low-rank model and we show that the number of compressed samples needs to be larger than the number of sources for the existence of an unbiased estimator with finite estimation variance. We further consider the applications to direction-of-arrival (DOA) and spectral estimation which fit into the low-rank signal model. We also investigate the effect of compression on the CRB by considering numerical examples of the DOA estimation scenario, and show how the CRB increases by increasing the compression or equivalently reducing the number of compressed samples.

연구 동기 및 목표

• 낮은 질서의 신호 모델에서 소수의 파rameter를 갖는 파rameter 추정의 성능 한계를 설정하기 위해.
• 압축 센싱 조건 하에서 이러한 모델에 대한 폐쇄형 Cramér-Rao Bound (CRB)를 유도하기 위해.
• 편향 없는 추정에서 유한 분산을 갖기 위해 필요한 최소 압축 샘플 수를 결정하기 위해.
• 유도된 CRB를 방향도(DOA) 및 스펙트럼 추정 문제에 적용하기 위해.
• 수치 예제를 통해 압축이 추정 정확도에 미치는 영향을 분석하기 위해.

제안 방법

• 낮은 질서의 신호 모델에 대한 압축 측정치의 로그우도 함수를 유도한다. 이 모델은 파rametric한 구조를 갖는다.
• 로그우도 함수의 미분을 이용하여 실수부 및 허수부의 진폭과 미지 파rameter Ω에 대해 Fisher 정보 행렬(FIM)을 계산한다.
• 행렬 항등식과 슈어 여수(Schur complement)를 활용하여 특히 파rameter 벡터 Ω에 대해 CRB를 폐쇄형으로 표현한다.
• FIM의 특이성 분석을 통해 편향 없는 추정에서 유한 분산을 갖는 것이 불가능한 조건을 규명한다.
• 스티어링 벡터를 사용한 DOA 추정에 프레임워크를 적용하고, D(t) 및 CRB에 대한 단순화된 표현식을 유도한다.
• 균일 선형 어레이를 사용한 수치 시뮬레이션을 통해 다양한 압축 샘플 수(Ny)에서의 CRB 행동을 시각화한다.

실험 결과

연구 질문

• RQ1 소수의 미지 파arameter를 갖는 일반적인 낮은 질서의 신호 모델에서 파arameter 추정에 대한 Cramér-Rao Bound (CRB)는 무엇인가?
• RQ2 편향 없는 추정기에서 유한 분산을 갖기 위해 필요한 최소 압축 샘플 수(Ny)는 얼마인가?
• RQ3 압축(감소된 Ny)은 방향도(DOA) 추정에서 CRB에 어떤 영향을 미치는가?
• RQ4 파arametric한 낮은 질서의 모델에 대해 유도된 CRB는 폐쇄형으로 표현될 수 있는가?
• RQ5 Ny ≤ K(소스 수)일 경우와 Ny > K일 경우의 CRB 행동은 어떻게 다른가?

주요 결과

• 낮은 질서의 모델에서 파arameter 추정에 대한 Cramér-Rao Bound (CRB)가 특히 파arameter 벡터 Ω에 대해 폐쇄형으로 유도되었다.
• 압축 샘플 수 Ny ≤ K(소스 수)일 경우, FIM이 특이해지므로 편향 없는 추정에서 유한 분산을 갖는 것은 불가능하다.
• Ny > K일 경우, FIM은 비특이적이며 CRB는 유한하므로, 유한 분산을 갖는 편향 없는 추정기가 존재할 수 있음을 나타낸다.
• 수치 결과는 DOA 추정에서 Ny가 감소할수록 CRB가 증가하며, Ny ≤ K일 경우 급격히 상승함을 보여준다.
• 유한 분산을 갖는 편향 없는 추정을 위해 필요한 최소 압축 샘플 수는 Ny = K + 1이며, K = 11개의 소스를 가진 DOA 예제에서 이를 입증하였다.