[论文解读] A Fast Iterative Algorithm for Recovery of Sparse Signals from One-Bit Quantized Measurements

Jun Fang, Yanning Shen+1 more|arXiv (Cornell University)|Oct 16, 2012

Sparse and Compressive Sensing Techniques参考文献 11被引用 5

一句话总结

该论文提出了一种快速迭代重加权算法，用于从一比特量化测量中恢复稀疏信号，采用对数-和惩罚（高斯熵）和基于Sigmoid的一致性度量。通过迭代最小化一个凸代理函数，并利用当前估计值更新权重，该方法在无需事先知道稀疏度水平 $K$ 的情况下，实现了优于 $l_1$ 方法的支撑恢复性能——尤其在更低的误报率方面表现更优。由于采用 $(\hat{x}_i^{(t)})^{-2}$ 的权重更新方式，该方法更具稀疏性促进能力，使非支撑分量的零空间更密集。

ABSTRACT

This paper considers the problem of reconstructing sparse or compressible signals from one-bit quantized measurements. We study a new method that uses a log-sum penalty function, also referred to as the Gaussian entropy, for sparse signal recovery. Also, in the proposed method, sigmoid functions are introduced to quantify the consistency between the acquired one-bit quantized data and the reconstructed measurements. A fast iterative algorithm is developed by iteratively minimizing a convex surrogate function that bounds the original objective function, which leads to an iterative reweighted process that alternates between estimating the sparse signal and refining the weights of the surrogate function. Connections between the proposed algorithm and other existing methods are discussed. Numerical results are provided to illustrate the effectiveness of the proposed algorithm.

研究动机与目标

• 解决仅能获取符号信息的一比特量化测量下稀疏信号重建的挑战。
• 开发一种无需事先知道稀疏度水平 $K$ 的方法。
• 通过比 $l_1$ 方法更有效地促进稀疏性，提升支撑恢复的准确性。
• 设计一种高效的迭代算法，通过代理函数交替进行信号估计与权重优化。

提出的方法

• 使用对数-和惩罚（高斯熵）作为稀疏性促进正则化项，替代 $l_1$ 范数。
• 引入Sigmoid函数 $\sigma(b_i \mathbf{a}_i^T \mathbf{x})$，量化测量符号与重构信号投影之间的一致性。
• 采用边界优化方法构建一个上界原非凸目标函数的凸代理函数。
• 迭代最小化代理函数，利用 $\tilde{D}(\hat{\mathbf{x}}^{(t)}) = \text{diag}\left( (\hat{x}_i^{(t)})^{-2} \right)$ 更新下一迭代的权重，从而增强稀疏性约束。
• 通过二次逼近求解子问题，得到类似重加权最小二乘法的更新形式，采用自适应权重。
• 算法在信号 $\mathbf{x}$ 估计与权重优化之间交替进行，收敛至支撑识别性能更优的解。

实验结果

研究问题

• RQ1 对数-和惩罚函数（高斯熵）是否能在一比特压缩感知中优于 $l_1$ 正则化，更有效地促进稀疏性？
• RQ2 基于Sigmoid的一致性度量是否相比硬约束或指示函数能提升支撑恢复性能？
• RQ3 在未知 $K$ 的情况下，采用 $\ell_2$-类似子问题的迭代重加权算法是否能实现优于 $l_1$ 方法的误报率与漏报率？
• RQ4 权重更新规则的选择——特别是 $ (\hat{x}_i^{(t)})^{-2} $ 与 $ |\hat{x}_i^{(t)}|^{-1} $ ——如何影响收敛性与稀疏性？
• RQ5 在不同稀疏度水平下，所提方法在支撑恢复准确性方面的相对性能如何？

主要发现

• 所提算法在稀疏度 $K$ 增大时，显著低于 $l_1$ 最小化（LP）和基于 $l_1$ 的迭代方法的误报率。
• 漏报率与 $l_1$ 方法相当或略高，表明对真实非零分量的检测具有鲁棒性。
• 理论分析表明，通过 $ (\hat{x}_i^{(t)})^{-2} $ 的权重更新规则，该方法产生的解比 $l_1$ 类方法更稀疏。
• 该方法无需知道稀疏度水平 $K$，使其在 $K$ 未知的实际应用中更具实用性。
• 在 $10^4$ 次独立仿真运行中，支撑恢复结果一致表现出优越性，所提方法在识别真实支撑集方面优于 $l_1$ 方法。
• Sigmoid函数的使用实现了可微且稳定的优化，相比不可微的指示函数，提升了算法的收敛性与鲁棒性。