[論文レビュー] Binary Sparse Bayesian Learning Algorithm for One-bit Compressed Sensing

Jiang Zhu, Lin Han+2 more|arXiv (Cornell University)|May 8, 2018

Sparse and Compressive Sensing Techniques参考文献 20被引用数 3

ひとこと要約

本稿では、1ビット圧縮センシングにおける単一測定ベクトル（SMV）および複数測定ベクトル（MMV）設定の両方において、バイナリスパースベイジアン学習（BSBL）アルゴリズムを提案する。非線形な1ビット観測モデルを線形化するためのバスガングに類似した分解を活用することで、標準的なスパースベイジアン学習（SBL）を統合し、反復処理中にバイナリ観測値を固定したままにすることで、特にMMV状況において優れた再構成性能を達成した。これは、BIHTを上回り、Gr-SBLと同等の精度を達成しながらも、収束がはるかに速い。

ABSTRACT

In this letter, a binary sparse Bayesian learning (BSBL) algorithm is proposed to slove the one-bit compressed sensing (CS) problem in both single measurement vector (SMV) and multiple measurement vectors (MMVs). By utilising the Bussgang-like decomposition, the one-bit CS problem can be approximated as a standard linear model. Consequently, the standard SBL algorithm can be naturally incorporated. Numerical results demonstrate the effectiveness of the BSBL algorithm.

研究の動機と目的

• ミリ波通信で一般的な低精度ADCシステムにおいて、1ビット量子化された測定値からスパース信号を再構成する課題に対処すること。
• 非線形量子化のため、標準的なスパース復元アルゴリズムの性能が低下する1ビット圧縮センシングにおける問題を克服すること。
• バイナリ観測値の構造を保持しつつ、効率的なスパースベイジアン学習を可能にする、頑健な反復的アルゴリズムを開発すること。
• バスガングに類似した分解を用いて非線形問題を線形問題に変換することで、SBLの1ビットCSへの適用範囲を拡張すること。
• SMVおよびMMVの両状況において有効性を示すこと、特に相関ノイズ環境下でも有効であること

提案手法

• 非線形な1ビット観測モデルを、修正された測定行列と有効なノイズを伴う線形モデルに近似するため、バスガングに類似した分解を適用する。
• 信号および行列の実部と虚部に分離することで、複素数値の1ビットCSを実数値の線形回帰問題に変換する。
• 実部および虚部にi.i.d.ガウス事前分布を適用し、独立したスパース性を仮定することで、標準的なSBLフレームワークを用いる。
• 反復的にハイパーパrior（精度パrameter）を更新し、線形モデル下での事後分布の平均および共分散を用いて信号を推定する。
• Gr-SBLとは異なり、最適化プロセス中においてもバイナリ観測値を固定する。
• 減衰係数を組み込み、デバイアス処理を実施してNMSE性能を向上させ、500反復後に最適化を停止する

実験結果

リサーチクエスチョン

• RQ1 バイナリ観測値を固定した状態で、スパースベイジアン学習フレームワークを1ビット圧縮センシングに効果的に適応できるか？
• RQ2 BIHT や Gr-SBL といった既存手法と比較して、提案された BSBL アルゴリズムの再構成精度およびロバストネスはどのように異なるか？
• RQ3 複数測定ベクトル（MMV）の使用が、BSBL を用いた1ビットCS再構成性能に与える影響は何か？
• RQ4 非ゼロ成分の数（K）に関する事前知識の有無が、SMV と MMV の両設定における BSBL の性能に与える影響は何か？
• RQ5 相関ノイズ環境下でも、BSBL アルゴリズムは良好な性能を維持できるか？

主な発見

• BSBL アルゴリズムは、SMV および MMV の両状況において、Gr-SBL と同等の再構成性能を達成しており、特に MMV 状況では収束が著しく速い。
• SMV 場合、真のソース数 K が分かっており、それを閾値に用いる場合、SNR ≥ 15 dB で BIHT を上回る性能を示した。
• MMV 状況では、テストしたすべてのアルゴリズムの中で最高のソース局所化性能を達成し、100回のモンテカルロ試行のうち98回の正しく検出された。
• MMV モードにおける BSBL の実行時間（15.5秒）は、Gr-SBL の MMV 版（209.4秒）よりもはるかに速く、BIHT（0.8秒）よりは遅い。
• BSBL のデバイアス処理を施した NMSE は、ノイズ分散の不一致に対しても安定しており、事前知識の不確実性に対してもロバストであることが示された。
• 相関ノイズ環境下でも、シミュレーションを通じて一貫した性能を維持しており、アルゴリズムの有効性が裏付けられた。