[논문 리뷰] Robust Sparse Signal Recovery for Compressed Sensing with Sampling and Dictionary Uncertainties.

Yipeng Liu, Maarten De Vos외 1명|arXiv (Cornell University)|2013. 11. 20.

Sparse and Compressive Sensing Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 측정 행렬과 사전(dictionary)에 대한 불확실성을 고려한 압축 측정에서의 강건한 희소 신호 복원 프레임워크를 제안한다. 일반화된 희소 신호 모델을 설정하고 확률적 강건 근사법을 사용하여, 기존 방법보다 시뮬레이션 및 실제 ECG 데이터에서 더 우수한 성능을 보이는 볼록 최적화 및 탐욕 알고리즘을 개발한다.

ABSTRACT

Compressed sensing (CS) shows that a signal having a sparse or compressible representation can be recovered from a small set of linear measurements. In classical CS theory, the sampling matrix and dictionary are assumed be known exactly in advance. However, uncertainties exist due to sampling distortion, finite grids of the parameter space of dictionary, etc. In this paper, we take a generalized sparse signal model, which simultaneously considers the sampling and dictionary uncertainties. Based on the new signal model, a new optimization model for robust sparse signal recovery is proposed. This optimization model can be deduced with stochastic robust approximation analysis. Both convex relaxation and greedy algorithms are used to solve the optimization problem. For the convex relaxation method, a sufficient condition for recovery by convex relaxation method is given; For the greedy algorithm, it is realized by the introduction of a pre-processing of the sensing matrix and the measurements. In numerical experiments, both simulated data and real-life ECG data based results show that the proposed method has a better performance than the current methods.

연구 동기 및 목표

• 측정 행렬과 사전가 정확히 알려져 있다고 가정하는 고전적 압축 측정의 한계를 해결한다.
• 사전 설계 시 측정 왜곡과 유한한 매개변수 격자로 인한 불확실성을 모델링한다.
• 두 유형의 불확실성을 동시에 다룰 수 있는 통합 최적화 프레임워크를 개발한다.
• 측정 및 표현에 현실적인 오차가 존재하는 상황에서도 안정적이고 정확한 희소 신호 복원을 보장한다.
• 시뮬레이션 및 실제 ECG 데이터를 사용해 기존 방법보다 뛰어난 성능을 입증한다.

제안 방법

• 측정 및 사전의 불확실성을 모두 포함하는 일반화된 희소 신호 모델을 도입한다.
• 불확실한 파라미터를 다루기 위해 확률적 강건 근사법을 사용해 강건 최적화 문제를 설정한다.
• 정확한 복원을 위한 유도된 충분조건을 도출한 볼록 최적화 방법을 개발한다.
• 측정 행렬과 측정값을 사전 처리하여 강건성을 향상시킨 탐욕 알고리즘을 설계한다.
• 확률적 분석을 통해 최적화 모델이 측정 및 사전 구성 요소의 변동에 대해 저항력이 있음을 보장한다.
• 실제 구현을 위해 수치적 안정성과 수렴성 고려 사항을 반영해 두 알고리즘을 구현한다.

실험 결과

연구 질문

• RQ1 측정 행렬과 사전 양쪽에 대한 불확실성에 동시에 강건한 압축 측정은 어떻게 설계할 수 있는가?
• RQ2 측정 및 사전의 불확실성이 동시에 존재하는 상황에서 안정적 복원을 보장하는 최적화 프레임워크는 무엇인가?
• RQ3 볼록 최적화 및 탐욕 알고리즘이 이러한 불확실성 하에서도 성능을 유지하도록 어떻게 적응시킬 수 있는가?
• RQ4 불확실한 측정 및 사전 파라미터 존재 하에서 정확한 복원을 보장하는 충분조건는 무엇인가?
• RQ5 실제 데이터에서 제안된 방법은 기존 접근법에 비해 복원 정확도에서 어떻게 비교되는가?

주요 결과

• 제안된 강건 최적화 모델은 측정 행렬과 사전 양쪽의 불확실성을 효과적으로 다룬다.
• 유도된 충분조건 하에서 볼록 최적화 방법은 정확한 복원을 달성하며, 이는 이론적 안정성을 보장한다.
• 사전 처리를 통해 향상된 탐욕 알고리즘은 개선된 강건성과 성능을 보인다.
• 시뮬레이션 데이터에 대한 수치 실험 결과, 기준 방법 대비 일관된 복원 정확도 향상을 보였다.
• 실제 ECG 데이터 결과는 불확실성 하에서 실질적인 신호 복원에서 제안된 방법의 열등함을 확인한다.
• 이 프레임워크는 현실적인 압축 측정 환경에서 강건한 희소 신호 복원을 위한 통합적 접근을 제공한다.