[论文解读] A Unified Approach to Sparse Signal Processing

Farokh Marvasti, Arash Amini+7 more|ArXiv.org|Feb 11, 2009

Sparse and Compressive Sensing Techniques参考文献 182被引用 13

一句话总结

本文提出了一种统一的稀疏信号处理框架，适用于采样、编码、谱估计、阵列处理、源分离和信道估计等多种领域。通过揭示共享的数学结构——尤其是稀疏表示以及压缩感知和Krylov子空间方法中的迭代重建算法——表明在所有领域中均可实现采样率和计算复杂度的显著降低。

ABSTRACT

A unified view of sparse signal processing is presented in tutorial form by bringing together various fields. For each of these fields, various algorithms and techniques, which have been developed to leverage sparsity, are described succinctly. The common benefits of significant reduction in sampling rate and processing manipulations are revealed. The key applications of sparse signal processing are sampling, coding, spectral estimation, array processing, component analysis, and multipath channel estimation. In terms of reconstruction algorithms, linkages are made with random sampling, compressed sensing and rate of innovation. The redundancy introduced by channel coding in finite/real Galois fields is then related to sampling with similar reconstruction algorithms. The methods of Prony, Pisarenko, and MUSIC are next discussed for sparse frequency domain representations. Specifically, the relations of the approach of Prony to an annihilating filter and Error Locator Polynomials in coding are emphasized; the Pisarenko and MUSIC methods are further improvements of the Prony method. Such spectral estimation methods is then related to multi-source location and DOA estimation in array processing. The notions of sparse array beamforming and sparse sensor networks are also introduced. Sparsity in unobservable source signals is also shown to facilitate source separation in SCA; the algorithms developed in this area are also widely used in compressed sensing. Finally, the multipath channel estimation problem is shown to have a sparse formulation; algorithms similar to sampling and coding are used to estimate OFDM channels.

研究动机与目标

• 将稀疏信号处理的各个不同领域统一于一个共同的数学框架之下。
• 识别在不同应用中共享的算法原理——尤其是稀疏性利用与重建技术。
• 证明稀疏信号处理可实现采样率和计算复杂度的显著降低。
• 表明来自某一领域（如压缩感知）的方法可有效迁移至其他领域（如谱估计或信道估计）。
• 强调结构化矩阵（如消零滤波器和错误定位多项式中的矩阵）在实现高效稀疏恢复中的作用。

提出的方法

• 采用统一的数学公式：y = Ax + ν，其中x为稀疏信号，A为变换矩阵。
• 应用Krylov子空间方法求解大规模稀疏线性系统，利用多项式预条件化和残差最小化。
• 在普罗尼方法、编码中的错误定位多项式以及创新率中的消零滤波器之间建立类比，用于稀疏频率恢复。
• 通过共轭梯度法和LSQR等迭代算法重构稀疏信号，最小化Krylov子空间中的残差范数。
• 依赖时间域、频率域或空间域中的稀疏性，以降低系统维度和采样需求。
• 通过共享的重建原理，证明压缩感知、随机采样与有限创新率采样之间的等价性。

实验结果

研究问题

• RQ1 如何在多种信号处理领域中统一稀疏信号处理？
• RQ2 在采样、编码、谱估计和阵列处理中的稀疏恢复背后，存在哪些共同的数学结构？
• RQ3 来自某一领域（如压缩感知）的算法在多大程度上可被迁移至另一领域（如信道估计）？
• RQ4 结构化矩阵（如消零滤波器或错误定位多项式中的矩阵）在实现高效稀疏恢复中起到什么作用？
• RQ5 Krylov子空间方法与多项式预条件化如何促进稀疏信号的高效重建？

主要发现

• 稀疏信号处理在所有应用领域中均可实现采样率和计算复杂度的显著降低。
• 相同的底层算法——尤其是Krylov子空间方法和基于多项式的重建——可应用于压缩感知、谱估计和信道估计等问题。
• 普罗尼方法、皮萨连科方法和MUSIC方法被证明是稀疏频率恢复的特例，且具有逐步增强的鲁棒性和分辨率。
• 编码理论中的错误定位多项式在数学上等价于创新率采样中的消零滤波器。
• 稀疏阵列波束成形与传感器网络受益于与压缩感知相同的原理，可在使用更少传感器的情况下实现精确的DOA估计。
• 基因组学中的压缩微阵列通过稀疏测量矩阵和稀疏恢复算法，实现与全阵列相当的性能，显著降低复杂度和成本。