[论文解读] Complex Trainable ISTA for Linear and Nonlinear Inverse Problems

Satoshi Takabe, Tadashi Wadayama+1 more|arXiv (Cornell University)|Apr 16, 2019

Sparse and Compressive Sensing Techniques参考文献 25被引用 6

一句话总结

该论文提出了一种基于深度展开的复数非线性逆问题算法——复数可训练IST A（C-TISTA），利用Wirtinger导数和可训练复数软阈值函数，实现了快速收敛且仅需4T个可训练参数，信号恢复性能优越，在压缩感知和截断OFDM检测中优于现有方法。

ABSTRACT

Complex-field signal recovery problems from noisy linear/nonlinear measurements appear in many areas of signal processing and wireless communications. In this paper, we propose a trainable iterative signal recovery algorithm named complex-field TISTA (C-TISTA) which treats complex-field nonlinear inverse problems. C-TISTA is based on the concept of deep unfolding and consists of a gradient descent step with the Wirtinger derivatives followed by a shrinkage step with a trainable complex-valued shrinkage function. Importantly, it contains a small number of trainable parameters so that its training process can be executed efficiently. Numerical results indicate that C-TISTA shows remarkable signal recovery performance compared with existing algorithms.

研究动机与目标

• 解决现有深度展开方法在处理复数非线性逆问题时的局限性。
• 克服因实数变换导致复信号相关性破坏而引起的性能下降。
• 开发一种可扩展且稳定的训练框架，用于复数域信号恢复，且可训练参数极少。
• 实现在幅度截断OFDM和复数压缩感知等非线性系统中的有效恢复。
• 结合Wirtinger微积分与可训练复数软阈值函数，提升收敛性与精度，优于传统方法。

提出的方法

• 通过Wirtinger导数计算复数梯度，将复数迭代软阈值算法（ISTA）进行深度展开，推导出C-TISTA。
• 算法利用复数Hessian矩阵与Wirtinger导数执行梯度下降步骤，更新信号估计值。
• 采用可训练复数软阈值函数替代固定软阈值，使模型能够自适应信号统计特性和非线性特性。
• 通过跨迭代共享权重，仅使用4T个总可训练参数，确保训练效率与稳定性。
• 通过反向传播与随机梯度下降，利用标注训练数据优化软阈值函数。
• 通过函数 $ f_c(z) $ 直接建模非线性观测模型（如幅度截断），使网络能够学习补偿失真。

实验结果

研究问题

• RQ1 深度展开框架是否能在不转换为实数表示的情况下，有效处理复数非线性逆问题？
• RQ2 使用Wirtinger导数与可训练复数软阈值函数，相较于实数方法或固定阈值方法，如何提升信号恢复性能？
• RQ3 在截断OFDM等非线性系统中，C-TISTA相较于传统检测器与实数域深度学习方法的性能增益如何？
• RQ4 与现有深度展开模型相比，C-TISTA中可训练参数数量对训练稳定性与收敛速度有何影响？
• RQ5 C-TISTA在多大程度上能够补偿OFDM系统中幅度截断引起的信号失真？

主要发现

• 在复数压缩感知中，C-TISTA在8次迭代时达到约-26 dB的归一化MSE，显著优于AMP、CAMP与C-LISTA。
• C-TISTA收敛速度优于C-LISTA，在仅6次迭代时即达到-25 dB MSE，而C-LISTA需要更多迭代且参数量更高。
• 在16-QAM截断OFDM系统中，PAPR为5 dB时，C-TISTA在SER = 1.0×10⁻³时比DFT与C-TISTA（线性）获得2 dB的SNR增益。
• 在1.5 dB PAPR条件下，C-TISTA相较于线性方法的性能增益更加显著，表明其对非线性失真具有有效补偿能力。
• C-TISTA在不同SNR与PAPR水平下均保持高MSE性能，证明其在非线性信号检测中的鲁棒性。
• 尽管仅含4T个可训练参数，C-TISTA的收敛性与最终性能仍优于C-LISTA（其参数量为 $ n^2 + nm + T $），凸显其训练效率与可扩展性优势。