[논문 리뷰] Generalized Distributed Compressive Sensing

Jeong‐Hun Park, Seunggye Hwang외 2명|arXiv (Cornell University)|2012. 11. 28.

Sparse and Compressive Sensing Techniques참고 문헌 10인용 수 7

한 줄 요약

이 논문은 기존의 분산 콤파프레시브 센싱(DCS)을 일반화하여 다중 신호 간에 전체 및 부분적인 공통 정보를 포함하는 일반화된 분산 콤파프레시브 센싱(GDCS) 프레임워크를 제안한다. 이론적 측정 수의 경계를 유도하고, 새로운 상관관계 구조 탐지 알고리즘을 도입함으로써, 상호 신호 간 상관관계에 대한 사전 지식이 없이도 정밀한 희박 신호 복원이 가능해져 실용적인 다중 센서 환경에서 성능을 크게 향상시킨다.

ABSTRACT

Distributed Compressive Sensing (DCS) improves the signal recovery performance of multi signal ensembles by exploiting both intra- and inter-signal correlation and sparsity structure. However, the existing DCS was proposed for a very limited ensemble of signals that has single common information \cite{Baron:2009vd}. In this paper, we propose a generalized DCS (GDCS) which can improve sparse signal detection performance given arbitrary types of common information which are classified into not just full common information but also a variety of partial common information. The theoretical bound on the required number of measurements using the GDCS is obtained. Unfortunately, the GDCS may require much a priori-knowledge on various inter common information of ensemble of signals to enhance the performance over the existing DCS. To deal with this problem, we propose a novel algorithm that can search for the correlation structure among the signals, with which the proposed GDCS improves detection performance even without a priori-knowledge on correlation structure for the case of arbitrarily correlated multi signal ensembles.

연구 동기 및 목표

• 기존의 분산 콤파프레시브 센싱(DCS)은 전체 공통 정보만을 가정하는 한계를 해결하기 위해 모델을 부분 공통 정보까지 일반화한다.
• 일반화된 모델 하에서 정확한 신호 복원을 위한 측정 수의 이론적 경계를 유도한다.
• 상호 신호 간 상관관계 패tern에 대한 사전 지식이 없이도 신호 간 상관관계 구조를 탐지할 수 있는 실용적인 알고리즘을 개발한다.
• 신호들이 복잡하고 임의의 상관관계를 가지는 다중 센서 환경에서 희박 신호 탐지 성능을 향상시킨다.

제안 방법

• 신호 집합 전반에 걸쳐 전체 공통 정보와 다양한 형태의 부분 공통 정보를 포함하는 일반화된 DCS(GDCS) 모델을 제안한다.
• 그래프 이론적 분석과 Hall의 결합 정리(Hall’s marriage theorem)를 사용하여 유일한 매칭을 보장하는 이론적 측정 수 경계를 유도한다.
• 기존의 상관관계 지식 없이도 신호 간의 잠재적 상관관계 구조를 탐지할 수 있도록 새로운 반복적 알고리즘을 도입한다. 이를 통해 디코더는 부분 공통 정보를 활용할 수 있다.
• 측정 행렬의 질서를 유지하고 전체 랭크 성질을 보장하기 위해 열 빼기와 행 선택 기반의 행렬 구축 방법을 사용한다.
• Lemma 1을 통해 가우시안 랜덤 행렬의 전체 랭크 성질을 활용하여 제안된 프레임워크 하에서 안정적인 신호 복원을 보장한다.
• 센서별 이웃 관계에 기반하여 구성 요소를 재정렬하는 구조적 측정 행렬을 적용하여 복원 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 다양한 신호들 간에 전체 공통 정보 외에도 부분 공통 정보를 처리할 수 있는 일반화된 DCS 모델을 구성할 수 있는가?
• RQ2 일반화된 DCS 모델 하에서 정확한 복원을 위한 최소 측정 수의 이론적 경계는 얼마인가?
• RQ3 상호 신호 간 상관관계에 대한 사전 지식이 없는 상황에서 신호 간 상관관계 구조를 자동으로 탐지할 수 있는가?
• RQ4 제안된 알고리즘이 상호 신호 간 상관관계에 대한 명시적 지식 없이도 희박 신호 탐지 성능을 크게 향상시킬 수 있는가?

주요 결과

• 제안된 GDCS 모델은 전체 및 부분 공통 정보를 통합함으로써, 더 광범위한 실제 신호 집합에 적용 가능한 기존 DCS를 일반화한다.
• 측정 수에 대한 이론적 경계를 도출하였으며, 부분 공통 성분이 있는 공동 희박성은 개별 희박성보다 측정 비율을 감소시킴을 보여준다.
• 제안된 상관관계 탐지 알고리즘은 상관관계 구조에 대한 사전 지식이 없을 경우에도 신호 복원 성능을 크게 향상시킨다.
• 수치 시뮬레이션 결과, GDCS 프레임워크가 기존 DCS보다 복원 정확도와 측정 효율성 측면에서 뛰어나다는 것이 확인되었다.
• 랭크 유지 연산을 적용한 구조적 측정 행렬을 사용함으로써, 유도된 이론적 조건 하에서 높은 확률로 안정적인 복원이 보장된다.
• 이론적 분석을 통해 구성된 측정 행렬이 확률 1로 전체 랭크를 유지함을 증명하여 신뢰할 수 있는 신호 복원이 가능하다.