[论文解读] Blind One-Bit Compressive Sampling

Lixin Shen, Bruce W. Suter|arXiv (Cornell University)|Feb 6, 2013

Sparse and Compressive Sensing Techniques参考文献 5被引用 6

一句话总结

该论文提出了一种盲1比特压缩采样方法，可在无需事先知晓信号稀疏性的情况下从1比特测量值中重建稀疏信号。通过在凸可行性集上建立ℓ₀-最小化模型，并利用连续逼近与邻近算子求解，该算法实现了具有竞争力的重建精度——在稀疏性未知时，其信噪比（SNR）优于BIHT方法，尤其在低至中等稀疏性条件下；同时在实际应用场景中保持了收敛性与鲁棒性。

ABSTRACT

The problem of 1-bit compressive sampling is addressed in this paper. We introduce an optimization model for reconstruction of sparse signals from 1-bit measurements. The model targets a solution that has the least l0-norm among all signals satisfying consistency constraints stemming from the 1-bit measurements. An algorithm for solving the model is developed. Convergence analysis of the algorithm is presented. Our approach is to obtain a sequence of optimization problems by successively approximating the l0-norm and to solve resulting problems by exploiting the proximity operator. We examine the performance of our proposed algorithm and compare it with the binary iterative hard thresholding (BIHT) [10] a state-of-the-art algorithm for 1-bit compressive sampling reconstruction. Unlike the BIHT, our model and algorithm does not require a prior knowledge on the sparsity of the signal. This makes our proposed work a promising practical approach for signal acquisition.

研究动机与目标

• 解决现有1比特压缩采样方法需要事先知晓信号稀疏性的局限性。
• 开发一种在真实应用场景中稀疏性未知时仍具鲁棒性与实用性的重建框架。
• 基于ℓ₀-最小化，构建一个非凸、非光滑的优化模型，受1比特一致性约束限制。
• 设计一种迭代算法，通过连续逼近ℓ₀-范数并利用邻近算子实现高效求解。
• 建立所提算法的收敛性分析，以确保信号恢复的可靠性。

提出的方法

• 构建一种盲1比特压缩采样模型，通过最小化信号的ℓ₀-范数，同时满足与1比特测量值的一致性，即sign(Φx) = sign(Φx*)。
• 使用平滑、凸的替代函数（如Mangasarian函数和Log-Det函数）近似非凸的ℓ₀-范数。
• 通过迭代地将ℓ₀-范数替换为这些近似函数，构建一系列子问题。
• 利用邻近算子求解每个子问题，以处理非光滑性并促进解的稀疏性。
• 提出一种迭代算法（算法3），在更新信号估计与精炼ℓ₀-范数近似之间交替进行。
• 通过利用邻近算子与连续逼近方法的理论性质，确保算法的收敛性。

实验结果

研究问题

• RQ1 能否开发一种无需事先知晓信号稀疏性的1比特压缩采样方法？
• RQ2 在本质上非凸、非光滑的1比特测量背景下，如何有效应用ℓ₀-最小化？
• RQ3 基于邻近算子的算法在从1比特测量值重建稀疏信号方面的性能，与BIHT等先进方法相比如何？
• RQ4 当稀疏性未知时，重建信号的稀疏性与真实信号稀疏性相比如何？
• RQ5 所提算法能否在不同信号维度与测量数量下保持稳定且准确的重建？

主要发现

• 在原始信号稀疏性为2以及6–10时，所提算法在平均信噪比（SNR）方面优于BIHT，尤其在稀疏性未知时表现更优。
• 当m=1000且n=1000时，使用Log-Det函数的算法3在稀疏性为14或20时，平均重建误差低于BIHT。
• 随着m的增加，算法3的平均重建稀疏性逐渐降低：m=200时为11.74，m=800时为10.26，m=1400时为10.00，m=2000时为10.06，表明具有稳定的稀疏性控制能力。
• 算法3可产生稀疏性低于真实信号的重建结果，尤其在高稀疏性值下，表明其具有自然的正则化效应。
• 当m=1000且s=10时，使用Log-Det函数的算法3在SNR方面优于Mangasarian函数，尤其在较大信号维度下表现更优。
• 当s=10且m=1000固定时，算法3的平均SNR在多数情况下低于BIHT，但此现象归因于BIHT使用了本方法无法获取的额外稀疏性信息。