[논문 리뷰] Sparse Fast Fourier Transform for Exactly and Generally K-Sparse Signals by Downsampling and Sparse Recovery

Sung-Hsien Hsieh, Chun-Shien Lu외 1명|arXiv (Cornell University)|2014. 07. 31.

Sparse and Compressive Sensing Techniques참고 문헌 25인용 수 4

한 줄 요약

이 논문은 다운샘플링 및 복소수 보즈-초드후리-호크벵험(Bose-Chaudhuri-Hocquenghem, BCH) 코드를 통한 희소 복구를 이용하여 정확히 $K$-희소 신호에 대해 $O(K\log K)$의 계산 복잡도를 달성하고, 일반적으로 $K$-희소 신호에 대해 $\max(O(K\log K), O(N))$의 복잡도를 가지며, 높은 복구 확률과 낮은 상수 요소를 확보하는 새로운 희소 빠른 푸리에 변환(sSparse Fast Fourier Transform, sFFT) 알고리즘을 제안한다. 이는 이론적 분석과 시뮬레이션 모두에서 이전의 sFFT 방법들을 능가한다.

ABSTRACT

Fast Fourier Transform (FFT) is one of the most important tools in digital signal processing. FFT costs O(N \log N) for transforming a signal of length N. Recently, Sparse Fourier Transform (SFT) has emerged as a critical issue addressing how to compute a compressed Fourier transform of a signal with complexity being related to the sparsity of its spectrum. In this paper, a new SFT algorithm is proposed for both exactly K-sparse signals (with K non-zero frequencies) and generally K-sparse signals (with K significant frequencies), with the assumption that the distribution of the non-zero frequencies is uniform. The nuclear idea is to downsample the input signal at the beginning; then, subsequent processing operates under downsampled signals, where signal lengths are proportional to O(K). Downsampling, however, possibly leads to "aliasing." By the shift property of DFT, we recast the aliasing problem as complex Bose-Chaudhuri-Hocquenghem (BCH) codes solved by syndrome decoding. The proposed SFT algorithm for exactly K-sparse signals recovers 1-τfrequencies with computational complexity O(K \log K) and probability at least 1-O(\frac{c}τ)^{τK} under K=O(N), where c is a user-controlled parameter. For generally K-sparse signals, due to the fact that BCH codes are sensitive to noise, we combine a part of syndrome decoding with a compressive sensing-based solver for obtaining $K$ significant frequencies. The computational complexity of our algorithm is \max \left( O(K \log K), O(N) ight), where the Big-O constant of O(N) is very small and only a simple operation involves O(N). Our simulations reveal that O(N) does not dominate the computational cost of sFFT-DT.

연구 동기 및 목표

• N-의존적 연산과 높은 Big-O 상수를 포함하는 기존의 희소 빠른 푸리에 변환(sFFT) 알고리즘의 한계를 해결한다.
• 균일한 주파수 분포 하에서 정확히 $K$-희소 신호에 대해 이론적으로 $O(K\\log K)$ 복잡도를 가지는 sFFT 알고리즘을 개발한다.
• BCH 코드의 노이즈 민감성 문제를 완화하기 위해 심호드롬 디코딩과 압축 감지 기반의 해법을 조합하여 일반적으로 $K$-희소 신호로의 방법을 확장한다.
• $O(N)$ 항의 계산 오버헤드를 최소화하여 실질적으로 전체 비용에 지배적인 영향을 주지 않도록 보장한다.
• 이전의 sFFT 방법들에서 문제로 지적되던 복잡한 파rameter 조정과 높은 상수 요소를 피하는 간단하고 구현 가능한 알고리즘을 제공한다.

제안 방법

• 신호 길이를 $O(K)$로 줄이기 위해 초기 단계에서 다운샘플링을 적용하여 계산 부담을 감소시킨다.
• DFT 이동 성질을 이용해 다운샘플링으로 인한 앨리어싱를 복소수 BCH 코드의 심호드롬 디코딩 문제로 재구성한다.
• 정확히 $K$-희소 신호의 경우, 복소수 BCH 코드의 심호드롬 디코딩을 통해 높은 확률로 $1-\tau$개의 주파수를 복구한다.
• 일반적으로 $K$-희소 신호의 경우, 부분 심호드롬 디코딩과 압축 감지 기반의 해법을 조합하여 BCH 코드의 노이즈 민감성을 완화한다.
• 모멘트 기반 다항식 근 구하기(행렬식을 통한)를 통해 상관 모멘트로부터 주파수 위치와 진폭을 구한다.
• DFT의 구조와 이동 불변성을 활용하여 앨리어징을 오류 수정 부호 문제로 매핑함으로써 효율적인 복구를 가능하게 한다.

실험 결과

연구 질문

• RQ1 다운샘플링 후 BCH 코드를 통한 희소 복구가 정확히 $K$-희소 신호에 대해 $O(K\log K)$ 복잡도를 달성할 수 있는가?
• RQ2 희소 푸리에 변환의 맥락에서 다운샘플링으로 인한 앨리어징을 효과적으로 관리할 수 있는가?
• RQ3 제안된 방법이 일반적으로 $K$-희소 신호로 확장될 수 있으며, 낮은 계산 복잡도를 유지할 수 있는가?
• RQ4 제안된 sFFT 프레임워크에서 복구 확률과 계산 비용 사이의 상충 관계는 어떠한가?
• RQ5 복잡도 분석에서의 $O(N)$ 항은 실질적 성능에 어떤 영향을 미치며, 이를 최소화할 수 있는가?

주요 결과

• 정확히 $K$-희소 신호에 대해 제안된 sFFT는 복구 확률이 $1 - O\left(\frac{c}{\tau}\right)^{\tau K}$ 이상인 $O(K\log K)$ 계산 복잡도를 달성한다. 여기서 $c$는 사용자가 제어할 수 있는 파라미터이다.
• 일반적으로 $K$-희소 신호의 경우, 알고리즘이 심호드롬 디코딩과 압축 감지를 조합하여 $\max(O(K\log K), O(N))$ 복잡도를 달성하며, $O(N)$ 항의 Big-O 상수는 매우 작다.
• 시뮬레이션 결과, 실질적으로 $O(N)$ 항이 계산 비용에 지배적이지 않음을 확인하여 이론적 복잡도 분석이 타당함을 입증한다.
• 알고리즘이 간단하게 구현 가능하며, 이전의 sFFT 방법들에서 문제로 지적되었던 복잡한 파rameter 조정과 높은 상수 요소를 피한다.
• 이 방법은 강력한 이론적 복구 성능 보장을 제공하며, 이론적 복잡도와 실측 속도 양면에서 기존의 sFFT 알고리즘을 능가한다.
• 복소수 BCH 코드의 사용은 효율적인 앨리어징 해소를 가능하게 하며, 모멘트 기반 근 구하기 방법은 저속도 샘플로부터 정확한 주파수 및 진폭 추정을 가능하게 한다.