[论文解读] On the modified Basis Pursuit reconstruction for Compressed Sensing with partially known support

Stéphane Chrétien|arXiv (Cornell University)|Jun 2, 2009

Sparse and Compressive Sensing Techniques参考文献 3被引用 4

一句话总结

本文针对在已知部分支持信息的情况下，对改进的基追踪方法在压缩感知中的分析进行了优化。通过仅在猜测支持集的补集上最小化ℓ₁范数，该方法在满足关于猜测支持中遗漏分量数量两倍的限制等距性质（RIP）条件下，实现了精确信号恢复。

ABSTRACT

The goal of this short note is to present a refined analysis of the modified Basis Pursuit ($\\ell_1$-minimization) approach to signal recovery in Compressed Sensing with partially known support, as introduced by Vaswani and Lu. The problem is to recover a signal $x \\in \\mathbb R^p$ using an observation vector $y=Ax$, where $A \\in \\mathbb R^{n\ imes p}$ and in the highly underdetermined setting $n\\ll p$. Based on an initial and possibly erroneous guess $T$ of the signal's support ${\ m supp}(x)$, the Modified Basis Pursuit method of Vaswani and Lu consists of minimizing the $\\ell_1$ norm of the estimate over the indices indexed by $T^c$ only. We prove exact recovery essentially under a Restricted Isometry Property assumption of order 2 times the cardinal of $T^c \\cap {\ m supp}(x)$, i.e. the number of missed components.

研究动机与目标

• 改进对压缩感知中部分已知支持下改进基追踪方法的理论理解。
• 在改进的限制等距性质（RIP）条件下，建立该方法的精确恢复保证。
• 量化支持估计误差对信号重建性能的影响。
• 与先前工作相比，提供更紧致的恢复条件分析。

提出的方法

• 该方法仅在猜测支持集T之外的索引上最小化信号估计的ℓ₁范数。
• 它利用可能包含错误的猜测支持集T作为先验知识，将优化约束在T^c上。
• 分析依赖于阶数为2|T^c ∩ supp(x)|的限制等距性质（RIP）。
• 当阶数为2|T^c ∩ supp(x)|的RIP常数足够小时，可证明恢复是精确的。
• 该方法将已知支持视为固定，专注于通过ℓ₁最小化重构未知部分。
• 该方法是基追踪的一种变体，经调整以整合部分支持信息。

实验结果

研究问题

• RQ1 当支持信息部分已知时，改进的基追踪方法在何种条件下可实现精确信号恢复？
• RQ2 遗漏支持分量的数量如何影响恢复所需的RIP条件？
• RQ3 当支持信息可用时，与标准基追踪相比，恢复保证能否更紧致？
• RQ4 恢复条件对真实支持与猜测支持补集交集大小的依赖关系如何？
• RQ5 阶数为2|T^c ∩ supp(x)|的限制等距性质如何影响重构的成功？

主要发现

• 当阶数为2|T^c ∩ supp(x)|的限制等距性质常数足够小时，可保证精确信号恢复。
• 恢复条件取决于支持猜测中遗漏分量的数量，而非信号总维数或猜测支持集的大小。
• 该方法通过整合先验支持知识，优于标准基追踪，实现了更紧致的恢复条件。
• 分析表明，即使支持猜测存在错误，只要遗漏分量较少且RIP条件成立，仍可实现精确恢复。
• 与无支持信息时相比，该方法在更宽松的RIP条件下即可实现精确恢复。
• 该结果适用于高度欠定系统（n ≪ p），展示了在稀疏信号恢复中的鲁棒性。