[論文レビュー] Multi-Branch Matching Pursuit with applications to MIMO radar

Marco Rossi, Alexander M. Haimovich+1 more|arXiv (Cornell University)|Dec 19, 2013

Sparse and Compressive Sensing Techniques参考文献 39被引用数 5

ひとこと要約

本稿では、木構造探索戦略とランク認識信号部分空間の活用を組み合わせることで、MIMOレーダーにおける復元性能を向上させるグリーディなスパース復元アルゴリズムであるマルチブランチマッチングパルス（MBMP）を提案する。本稿は、Neumann ERC や累積コherenceと比較して測定数が少ない条件を要する、新しい正確な復元条件「MBコherence」を確立し、従来の保証では失敗する辞書に対しても成功した復元を可能にする。

ABSTRACT

We present an algorithm, dubbed Multi-Branch Matching Pursuit (MBMP), to solve the sparse recovery problem over redundant dictionaries. MBMP combines three different paradigms: being a greedy method, it performs iterative signal support estimation; as a rank-aware method, it is able to exploit signal subspace information when multiple snapshots are available; and, as its name foretells, it leverages a multi-branch (i.e., tree-search) strategy that allows us to trade-off hardware complexity (e.g. measurements) for computational complexity. We derive a sufficient condition under which MBMP can recover a sparse signal from noiseless measurements. This condition, named MB-coherence, is met when the dictionary is sufficiently incoherent. It incorporates the number of branches of MBMP and it requires fewer measurements than other conditions (e.g. the Neuman ERC or the cumulative coherence). As such, successful recovery with MBMP is guaranteed for dictionaries that do not satisfy previously known conditions.

研究の動機と目的

• 従来の非一様性条件を満たさない構造的辞書を用いたMIMOレーダーにおけるスパース信号復元の課題に対処すること。
• 複数の分岐（木構造探索）戦略を活用することで、計算複雑度を低減しつつ高い精度を維持するスパース復元のための手法を提供すること。
• Neumann ERC や累積コherenceと同様の既存条件よりも制限が緩い、新しい正確な復元条件「MBコherence」を考案すること。
• 従来の理論的保証で必要な測定数よりも少ない測定数でKスパース信号の成功した復元を可能にすること。
• グリーディなサポート推定、ランク認識処理、マルチブランチ探索を統合した実用的なアルゴリズムフレームワークを提供すること。

提案手法

• MBMPは、各レベルiのノードが候補サポート集合を表す木構造探索戦略を採用しており、複数の信号サポート仮説を並列に探索可能である。
• 複数のスナップショットが利用可能な場合、信号部分空間構造をランク認識アプローチで活用することで、推定精度を向上させる。
• 各イテレーションで、残差最小化に基づいて最良のブランチを選択することで、推定サポートの段階的改善を実現する。
• 本手法は、d_max演算子とOIR（重複非一様率）を含むしきい値を用いて定義される新しい復元条件「MBコherence」を導入し、より厳しい条件を要しない範囲で正確な復元を保証する。
• MBコherenceは、各段階における復元に必要な最小ブランチ数d_iを求める整数計画法の定式化を用いて検証されている。
• 反復的サポート推定と、疑似逆行列に基づくコherence指標を組み合わせることで、各ステップでの正しいインデックス選択の可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 マルチブランチグリーディアルゴリズムは、従来の方法よりも制限が緩い非一様性条件のもとで正確なスパース信号復元を達成できるか？
• RQ2 MBコherence条件は、Neumann ERC や累積コherenceと比較して、辞書ベースのスパース復元においてよりタイトな測定要件を提供するか？
• RQ3 ランク認識処理と木構造探索戦略の統合は、構造的辞書を有するMIMOレーダーにおける復元性能を向上させることができるか？
• RQ4 MBコherence条件のもとで復元を保証するための最小ブランチ数d_iを、効率的に計算する方法は何か？
• RQ5 ハードウェアの複雑度（測定数）と計算複雑度の両立を図る実用的なアルゴリズムフレームワークは存在するか？

主な発見

• MBMPは、MBコherence条件が満たされる限り、Kスパース信号の正確な復元を保証する。これはノイズなしの場合の正確な復元の十分条件である。
• MBコherence条件は、Neumann ERC や累積コherence条件よりも測定数が少ない。これにより、従来の基準では失敗する辞書に対しても復元が可能になる。
• MBコherence条件は、d_max演算子とOIR（重複非一様率）を用いて導出されており、辞書の非一様性に対するよりタイトな理論的境界を提供する。
• 各段階における復元に必要な最小ブランチ数d_iは、整数計画法の定式化により計算可能であり、これはMBコherence条件と同等であることが示されている。
• 正確な復元の証明は、MBMP木における正しいパスに沿ってMB-ERC（マルチブランチ正確復元条件）が再帰的に成立することを示すことに依存しており、これによりサポートの段階的改善が保証される。
• 本手法は、特に測定数が限られたMIMOレーダー応用において、従来のグリーディアルゴリズムよりも、構造的辞書に対する復元保証において優れた性能を示す。