[论文解读] A Subspace Estimator for Fixed Rank Perturbations of Large Random Matrices

Walid Hachem, Philippe Loubaton+3 more|arXiv (Cornell University)|Jun 8, 2011

Random Matrices and Applications参考文献 22被引用 4

一句话总结

本文提出了一种用于大维信号处理中参数估计的新型子空间估计器，利用大随机矩阵理论处理经验协方差矩阵的固定秩扰动问题，当信号维数 $N$ 和样本大小 $n$ 同时渐近增长时。该方法将 MUSIC 算法扩展至双渐近 regime（$N,n \to \infty$ 且 $N/n \to c \in (0,\infty)$），证明了特征值和特征子空间估计器的几乎必然收敛性与中心极限定理，并通过近期的随机矩阵理论结果，推导出其一阶与二阶渐近行为。

ABSTRACT

This paper deals with the problem of parameter estimation based on certain eigenspaces of the empirical covariance matrix of an observed multidimensional time series, in the case where the time series dimension and the observation window grow to infinity at the same pace. In the area of large random matrix theory, recent contributions studied the behavior of the extreme eigenvalues of a random matrix and their associated eigenspaces when this matrix is subject to a fixed-rank perturbation. The present work is concerned with the situation where the parameters to be estimated determine the eigenspace structure of a certain fixed-rank perturbation of the empirical covariance matrix. An estimation algorithm in the spirit of the well-known MUSIC algorithm for parameter estimation is developed. It relies on an approach recently developed by Benaych-Georges and Nadakuditi, relating the eigenspaces of extreme eigenvalues of the empirical covariance matrix with eigenspaces of the perturbation matrix. First and second order analyses of the new algorithm are performed.

研究动机与目标

• 开发一种鲁棒的多维时间序列参数估计算法，当信号维数 $N$ 与观测窗口 $n$ 以相同速率增长至无穷大时适用。
• 解决经典 MUSIC 在双渐近 regime 下的失效问题，其中投影误差的谱范数 $\|\widehat{\Pi} - \Pi\|$ 不趋于零。
• 利用近期关于固定秩扰动的极端特征值与特征子空间的大随机矩阵理论结果，扩展 MUSIC 框架。
• 对所提出的估计器提供一阶与二阶渐近分析，包括几乎必然收敛性与中心极限定理。

提出的方法

• 该方法依赖于经验协方差矩阵 $\Sigma_n\Sigma_n^*$ 的极端特征值的特征子空间结构，这些结构通过 Benaych-Georges 与 Nadakuditi 的近期结果与扰动矩阵 $P_n$ 相关联。
• 通过将与 $\Sigma_n\Sigma_n^*$ 的 $r$ 个最大特征值相关的特征子空间进行投影，构建子空间估计器，其中用 $\widehat{\Pi}$ 替代经典投影 $\Pi$。
• 利用斯蒂尔杰斯变换与谱测度收敛性分析估计器的渐近行为，特别关注由于固定秩扰动而在整体谱之外出现的边缘特征值。
• 推导出特征值 $\widehat{\lambda}_{k,n}$ 几乎必然收敛至其确定性等价物 $\rho_{k}$，并建立归一化特征向量波动的中心极限定理。
• 采用经验协方差矩阵 $\Sigma_n\Sigma_n^* = X_nX_n^* + P_nP_n^*$ 的扰动展开，其中 $X_n$ 为标准高斯矩阵，$P_n$ 为固定秩信号矩阵。
• 在假设 A1–A6 下通过渐近分析验证理论结果，包括 $S_n^*S_n \to O > 0$，$B^*B \to I_r$，以及 $\sqrt{n}(B^*B S_n^*S_n - O) = \mathcal{O}(1)$。

实验结果

研究问题

• RQ1 在固定秩扰动下，当 $N$ 与 $n$ 以相同速率增长至无穷大时，经验协方差矩阵的极端特征值与特征子空间的行为如何？
• RQ2 MUSIC 算法能否扩展至双渐近 regime（$N,n \to \infty$ 且 $N/n \to c \in (0,\infty)$）？估计器的极限行为是什么？
• RQ3 在此 regime 下，特征子空间估计器的一阶渐近行为是什么？它是否几乎必然收敛至真实信号子空间？
• RQ4 其二阶渐近行为如何？归一化特征向量波动是否收敛至高斯分布？
• RQ5 在有限样本与大样本 regime 下，定位函数 $\chi_{\text{new}}(\varphi)$ 的渐近分布与经典 MUSIC 函数相比如何？

主要发现

• 经验协方差矩阵 $\Sigma_n\Sigma_n^*$ 的特征值 $\widehat{\lambda}_{k,n}$ 几乎必然收敛至确定性极限 $\rho_k$，其中 $\rho_k$ 是方程 $g(\rho) = 1/\omega_{k,n}^2$ 的解，$g$ 为极限谱测度的斯蒂尔杰斯变换。
• 归一化特征向量波动 $\sqrt{n}(\widehat{\Pi} - \Pi)$ 按分布收敛至复高斯向量，其协方差矩阵为 $R$，该结果通过线性谱统计的中心极限定理得到证明。
• 所提出的估计器在双渐近 regime 下保持一致性，尽管在有限 $N,n$ 时谱范数 $\|\widehat{\Pi} - \Pi\|$ 不趋于零，但仍有 $\|\widehat{\Pi} - \Pi\| \to 0$ 几乎必然成立。
• 定位函数 $\chi_{\text{new}}(\varphi)$ 的渐近分布被推导出来，表明其在真实波束赋形角 $\varphi_k$ 处的最大值渐近服从正态分布，其方差取决于导向矢量的几何结构。
• 估计器的一阶渐近偏差被证明为 $\mathcal{O}(1/\sqrt{n})$，二阶波动通过具有显式协方差结构的中心极限定理加以刻画。
• 由于 $B^*B \to I_r$，$n^{-1}B^*B' \to -\imath cD/2 \, I_r$，以及 $n^{-2}(B')^*B' \to c^2D^2/3 \, I_r$ 的收敛性，表明扰动矩阵 $B$ 渐近表现为等距算子，从而支持了极限特征子空间行为的推导。