[论文解读] A Deterministic Sub-linear Time Sparse Fourier Algorithm via Non-adaptive Compressed Sensing Methods

Mark Iwen|ArXiv.org|Aug 9, 2007

Sparse and Compressive Sensing Techniques参考文献 22被引用 38

一句话总结

该论文提出首个基于非自适应压缩感知的确定性亚线性时间稀疏傅里叶变换算法，可在 O(B² log N) 时间内无失败地恢复信号的 B 个最大频率分量。该方法在保持指数衰减特性的同时，提升了代数可压缩性，相较于先前的确定性压缩感知方法有所改进，适用于对概率性失败不可接受的任务关键型应用。

ABSTRACT

We study the problem of estimating the best B term Fourier representation for a given frequency-sparse signal (i.e., vector) $ extbf{A}$ of length $N \gg B$. More explicitly, we investigate how to deterministically identify B of the largest magnitude frequencies of $\hat{ extbf{A}}$, and estimate their coefficients, in polynomial$(B,\log N)$ time. Randomized sub-linear time algorithms which have a small (controllable) probability of failure for each processed signal exist for solving this problem. However, for failure intolerant applications such as those involving mission-critical hardware designed to process many signals over a long lifetime, deterministic algorithms with no probability of failure are highly desirable. In this paper we build on the deterministic Compressed Sensing results of Cormode and Muthukrishnan (CM) \cite{CMDetCS3,CMDetCS1,CMDetCS2} in order to develop the first known deterministic sub-linear time sparse Fourier Transform algorithm suitable for failure intolerant applications. Furthermore, in the process of developing our new Fourier algorithm, we present a simplified deterministic Compressed Sensing algorithm which improves on CM's algebraic compressibility results while simultaneously maintaining their results concerning exponential decay.

研究动机与目标

• 开发一种具有亚线性时间复杂度的确定性稀疏傅里叶变换算法，以满足对失败不可容忍的应用需求。
• 通过提升代数可压缩性，同时保持系数分布的指数衰减特性，改进现有确定性压缩感知方法。
• 在 B 和 log N 的多项式时间内，无概率性失败地恢复信号的 B 个最大频率分量。
• 解决在确定性多尺度傅里叶采样中频率碰撞的问题，利用中国剩余定理解决。
• 为现实世界硬件系统中实际应用提供一种实用的、确定性的子线性傅里叶算法替代方案。

提出的方法

• 将 Cormode 和 Muthukrishnan (CM) 提出的确定性压缩感知框架适配至稀疏傅里叶变换问题。
• 通过模素数采样和中国剩余定理构建非自适应测量矩阵，实现并行、亚线性时间的频率识别。
• 当无法获得完整采样时，利用每样本 O(log δ⁻¹ + p) 个点进行局部插值，以估计缺失的信号值。
• 通过结构化集合的特征函数构造测量向量，以高效捕获频率分量中的能量。
• 应用算法 1 的改进版本识别候选频率位置，随后使用算法 2 进行系数估计。
• 通过控制插值精度，确保测量误差保持在 O(δ · B⁻ᵖ) 以内，从而维持理论保证。

实验结果

研究问题

• RQ1 能否在不依赖概率算法的前提下，构建一种确定性的亚线性时间稀疏傅里叶变换？
• RQ2 如何在保持系数指数衰减特性的前提下，提升确定性压缩感知中的代数可压缩性？
• RQ3 在亚线性时间内，确定性恢复 B 个最大频率分量所需的最少采样数是多少？
• RQ4 如何限制插值误差，以在无法获得完整信号采样时保持准确性？
• RQ5 中国剩余定理能否在确定性多尺度采样框架中有效应用于频率恢复？

主要发现

• 当 δ = O(log⁻¹N) 时，所提算法对 B-稀疏信号实现 Õ(B²) 时间复杂度，与目前已知的最佳随机化子线性傅里叶算法相当。
• 该方法保证失败概率为零，适用于长寿命硬件等高可靠性要求的任务关键型系统。
• 与 CM 的确定性压缩感知相比，该算法在保持系数分布指数衰减特性的同时，提升了代数可压缩性。
• 通过每样本使用 O(log δ⁻¹ + p) 个插值点，将测量误差控制在 O(δ · B⁻ᵖ) 以内，确保对 p-可压缩信号的鲁棒性。
• 对于 p-可压缩信号，该算法在 Õ(B²ᵖ/(ᵖ⁻¹) δ²/(¹⁻ᵖ)) 时间和采样数内，返回一个 B 项逼近，其误差被限制在 ‖A − R_opt‖²₂ + δ‖C_opt_B‖²₂ 以内。
• 该框架即使在无法获得完整信号采样时，也能通过高精度局部插值缺失值，实现确定性恢复。