[논문 리뷰] Multiobjective Bilevel Evolutionary Approach for Off-Grid Direction-of-Arrival Estimation

Yan Bai, Qi Zhao외 3명|arXiv (Cornell University)|2021. 06. 14.

Speech and Audio Processing참고 문헌 47인용 수 4

한 줄 요약

이 논문은 낮은 신호 대역비(SNR) 또는 제한된 샘플 수 조건에서, 특히 임펄스 노이즈 하에서 정확한 소스 수 식별이 어려운 문제를 해결하기 위해, 동시에 소스 수를 식별하고 고정된 격자 외부에서의 도래 방향(DOA)을 고정밀도로 추정하는 다목적 이중계층 진화 알고리즘(MoBEA)을 제안한다. 정확한 l0-노름을 사용하여 희박성(sparsity)을 확보하고, 선형 근사 없이 전진 탐색 전략을 통해 격자 외부 오차를 제거함으로써, 최신 기술 대비 소스 수 식별 및 근본 평균 제곱 오차(RMSE)에서 뛰어난 성능을 달성한다.

ABSTRACT

The source number identification is an essential step in direction-of-arrival (DOA) estimation. Existing methods may provide a wrong source number due to inferior statistical properties (in low SNR or limited snapshots) or modeling errors (caused by relaxing sparse penalties), especially in impulsive noise. To address this issue, we propose a novel idea of simultaneous source number identification and DOA estimation. We formulate a multiobjective off-grid DOA estimation model to realize this idea, by which the source number can be automatically identified together with DOA estimation. In particular, the source number is properly exploited by the $l_0$ norm of impinging signals without relaxations, guaranteeing accuracy. Furthermore, we design a multiobjective bilevel evolutionary algorithm to solve the proposed model. The source number identification and sparse recovery are simultaneously optimized at the on-grid (lower) level. A forward search strategy is developed to further refine the grid at the off-grid (upper) level. This strategy does not need linear approximations and can eliminate the off-grid gap with low computational complexity. Simulation results demonstrate the outperformance of our method in terms of source number and root mean square error.

연구 동기 및 목표

• 낮은 SNR 또는 제한된 샘플 수 조건에서, 특히 임펄스 노이즈 하에서 정확한 소스 수 식별이 어려운 문제를 해결하기 위해.
• 이격된 희박성 페널티(예: l1 또는 lp 노름)에서 발생하는 모델링 오차를 피하기 위해, 입사 신호의 정확한 l0-노름을 직접 사용함으로써 이를 제거하기 위해.
• 비정규 분포 노이즈 환경에서 정확도를 유지하는 강건한 DOA 추정 프레임워크를 개발하기 위해.
• 선형 근사 없이 격점(refinement)을 수행하면서도 소스 수와 DOA 추정을 동시에 최적화하는 이중계층 진화 알고리즘을 설계하기 위해.

제안 방법

• 두 개의 상충되는 목표인 소스 수(정확한 l0-노름을 통한 식별)와 임펄스 노이즈를 다루기 위한 강건한 코로렌트로피 기반 피팅 오차를 고려한 다목적 DOA 추정 모델을 제안한다.
• 이중계층 진화 프레임워크를 적용: 하위 수준에서는 인구 기반 유전 알고리즘을 사용해 소스 수 식별과 희박한 신호 복원을 동시에 수행하는 격자 내 최적화를 수행한다.
• 상위 수준에서 전진 탐색 전략을 도입하여 활성 격점(refine)을 개선함으로써 선형 근사 없이 격자 외부 오차를 제거하고, 낮은 계산 비용으로도 효율적인 성능을 달성한다.
• 비정규 분포(예: SαS, GMM)의 임펄스 노이즈 환경에서 성능을 향상시키기 위해 코로렌트로피를 강건한 지표로 활용한다.
• 파레토 최적 해집합에서 무릎 해를 선택하여 최종 소스 수 및 DOA 추정치를 추출한다.
• 인구 내 다양한 해들 간의 소통을 가능하게 하여 탐색 다양성을 향상시키고 최적 해로의 수렴을 촉진한다.

실험 결과

연구 질문

• RQ1 다목적 이중계층 진화적 접근법이 격자 외부 상황에서 동시에 정확하게 소스 수를 식별하고 DOA를 추정할 수 있는가?
• RQ2 희박성에 대해 정확한 l0-노름을 사용할 경우, l1 등 완화된 페널티와 비교해 소스 수 식별 정확도는 어떻게 달라지는가?
• RQ3 전진 탐색 전략이 선형 근사 없이 격자 외부 오차를 얼마나 효과적으로 줄이는가?
• RQ4 기존의 전통적 DOA 방법과 비교해 MoBEA는 임펄스 노이즈 환경에서 어떻게 성능을 발휘하는가?
• RQ5 다양한 격자 간격과 샘플 수에서 계산 복잡도와 추정 정확도 사이의 상충 관계는 어떠한가?

주요 결과

• MoBEA는 모든 테스트 시나리오에서 가장 낮은 RMSE를 기록하며, 특히 낮은 각도 분리도 및 낮은 SNR 조건에서 뛰어난 성능을 보였다.
• GMM 노이즈에서 각도 분리도 2°에서 10° 사이일 경우, MoBEA는 가장 낮은 RMSE와 가장 정확한 소스 수 추정을 유지하며, lp-MUSIC, MCC-MUSIC 및 베이지안 최적 방법을 모두 능가했다.
• SαS 노이즈에서 α = 1.4 이고 샘플 수 T = 100일 경우, MoBEA는 가장 높은 정렬 정확도를 기록했으며, 95%의 시행에서 정확한 소스 수를 식별했다.
• MoBEA의 평균 실행 시간은 더 세밀한 격자에 따라 증가하지만 여전히 실용적이며, 계산 비용은 주로 행렬 역행렬 계산에 의해 지배되므로 병렬 처리를 통한 가속 가능성이 있다.
• 샘플 수가 적은 경우(T = 30), MoBEA는 RMSE와 소스 수 추정 모두에서 lp-MUSIC 및 MCC-MUSIC을 크게 능가했으며, 제한된 데이터에 대한 강건성을 입증했다.
• 전진 탐색 전략은 선형 근사 없이도 격자 외부 오차를 효과적으로 줄였으며, 격자 정밀화 과정에서 높은 정확도와 낮은 계산 복잡도를 동시에 달성하는 데 기여했다.