[論文レビュー] Reconstruction of Sparse and Nonsparse Signals from a Reduced Set of Samples

Ljubiša Stanković, Isidora Stanković|arXiv (Cornell University)|Dec 6, 2015

Sparse and Compressive Sensing Techniques参考文献 6被引用数 6

ひとこと要約

本稿では、圧縮センシングを用いて、ランダムにサンプリングされた測定値の削減された集合から、スパースでない信号の両方を再構成するための理論的分析を提示する。スパース信号再構成アルゴリズムがスパースでない信号に適用された場合の欠落サンプルに起因する平均二乗誤差（MSE）の閉形式表現を導出しており、誤差がスパarsity、利用可能なサンプル数、入力ノイズに依存することを示している。すべてのサンプルが存在する場合には誤差がゼロとなる。

ABSTRACT

Signals sparse in a transformation domain can be recovered from a reduced set of randomly positioned samples by using compressive sensing algorithms. Simple re- construction algorithms are presented in the first part of the paper. The missing samples manifest themselves as a noise in this reconstruction. Once the reconstruction conditions for a sparse signal are met and the reconstruction is achieved, the noise due to missing samples does not influence the results in a direct way. It influences the possibility to recover a signal only. Additive input noise will remain in the resulting reconstructed signal. The accuracy of the recovery results is related to the additive input noise. Simple derivation of this relation is presented. If a reconstruction algorithm for a sparse signal is used in the reconstruction of a nonsparse signal then the noise due to missing samples will remain and behave as an additive input noise. An exact relation for the mean square error of this error is derived for the partial DFT matrix case in this paper and presented in form of a theorem. It takes into account very important fact that if all samples are available then the error will be zero, for both sparse and nonsparse recovered signals. Theory is illustrated and checked on statistical examples.

研究の動機と目的

• スパース信号再構成アルゴリズムがスパースでない信号に適用される際、欠落サンプルが信号再構成精度に与える影響を分析すること。
• 特に部分的DFT行列の文脈において、欠落サンプルが再構成プロセスに導入する平均二乗誤差（MSE）を定量化すること。
• 圧縮センシングにおいて、欠落サンプルと加法的入力ノイズの併存が再構成精度に与える影響を検討すること。
• スパースおよびスパースでない信号の両方について、削減されたサンプリング下での再構成誤差の理論的境界を確立すること。
• 統計的シミュレーションおよび数値例を用いて理論的結果を検証すること。

提案手法

• 周波数ドメインにおける削減サンプリングをモデル化するため、部分的DFT行列を測定行列として使用する。
• スパース信号に特化したℓ1-最小化に基づく再構成アルゴリズムを、スパースでない信号に適用する。
• スパarsity K、利用可能なサンプル数 M、全信号長 N、入力ノイズ分散 σ² を関数として再構成誤差のMSEを表す定理を導出する。
• 誤差モデルは、非スパース成分のエネルギー（‖X − XK‖₂²）と加法的ノイズ（σ²）の両方を考慮し、欠落サンプルに補正係数 (N−M)/M を適用する。
• 幾何級数に従う成分を持つ合成信号を用いたモンテカルロシミュレーションにより、理論的MSEを検証する。
• 理論的SNR予測値とシミュレーションからの実効SNRを比較し、誤差モデルの正確性を確認する。

実験結果

リサーチクエスチョン

• RQ1 スパース信号再構成アルゴリズムを用いて削減されたサンプル集合に適用した場合、スパースでない信号の再構成において正確にどの程度の平均二乗誤差が生じるか？
• RQ2 再構成誤差は、利用可能なサンプル数、信号のスパarsity、入力ノイズパワーにどのように依存するか？
• RQ3 どのような条件下で、スパースでない信号に対しても再構成誤差がゼロに減少するか？
• RQ4 欠落サンプルと加法的ノイズの組み合わせが、再構成信号における信号対ノイズ比（SNR）にどのように影響するか？
• RQ5 理論的MSEモデルは、スパースでない信号に適用されたスパース再構成アルゴリズムの性能を正確に予測できるか？

主な発見

• スパースでない信号をスパース再構成アルゴリズムで再構成する際の平均二乗誤差は、次の式で与えられる：MSE = K(N−M)/M‖X−XK‖₂² + (K/M)Nσ²。ここで、K はスパarsity、M は利用可能なサンプル数、N は全長、σ² は入力ノイズ分散である。
• すべてのサンプルが利用可能（M = N）の場合、欠落サンプルに起因する誤差は消滅し、信号がスパースでない場合を含めてMSEがゼロとなる。
• K = 4 および M = 64 の場合、理論的SNRは23.12 dBであり、実効SNRも23.12 dBであった。これによりモデルの正確性が確認された。
• 入力ノイズ分散 σ² = 2 および M = 128 の場合、理論的SNRは14.33 dB、実効SNRは14.50 dBであり、良好な一致が得られた。
• M = 64 の場合、ノイズに起因するSNRの劣化は ΔSNR_theor = −6.085 dB と定量的に評価され、モデルの予測能力が裏付けられた。
• 誤差モデルは、欠落サンプルと加法的ノイズの両方の影響を正しく捉えており、主な寄与項は (N−M)/M でスケーリングされた非スパース成分のエネルギーである。