[论文解读] Compressed Sensing Based on Random Symmetric Bernoulli Matrix

Yi-Zheng Fan, Tao Huang+1 more|arXiv (Cornell University)|Dec 16, 2012

Sparse and Compressive Sensing Techniques参考文献 17被引用 5

一句话总结

本文提出了一种部分随机对称伯努利矩阵作为压缩感知的测量矩阵，证明即使在存在依赖项的情况下，该矩阵仍以高概率满足限制等距性质（RIP）。该方法通过ℓ₁-最小化实现了精确的稀疏信号恢复，在重建精度和抗噪声能力方面优于或匹配传统的高斯矩阵和伯努利矩阵。

ABSTRACT

The task of compressed sensing is to recover a sparse vector from a small number of linear and non-adaptive measurements, and the problem of finding a suitable measurement matrix is very important in this field. While most recent works focused on random matrices with entries drawn independently from certain probability distributions, in this paper we show that a partial random symmetric Bernoulli matrix whose entries are not independent, can be used to recover signal from observations successfully with high probability. The experimental results also show that the proposed matrix is a suitable measurement matrix.

研究动机与目标

• 研究部分随机对称伯努利矩阵（具有依赖项）是否可作为压缩感知中有效的测量矩阵。
• 通过证明其以高概率满足限制等距性质（RIP），为使用该矩阵进行稀疏信号恢复建立理论保证。
• 在重建成功率和抗噪声能力方面，将所提矩阵与标准矩阵（高斯、伯努利、托普利茨、循环）进行比较。
• 探讨所提对称伯努利矩阵与随机图论之间的联系，特别是埃拉托斯特尼-雷尼模型。
• 通过在合成信号和真实图像重建中进行模拟实验，对方法进行实证验证，考察不同稀疏度和噪声水平下的表现。

提出的方法

• 构建一个N×N的对称随机伯努利矩阵，其中每个上三角元素以相等概率取±1，对角线元素也为±1，从而形成对称矩阵。
• 通过从完整矩阵中随机选取大小为n的索引子集Θ，提取一个n×N的子矩阵R，构成测量矩阵Φ。
• 通过证明一个集中不等式来建立理论RIP界：Pr[|‖Φx‖₂² − ‖x‖₂²| ≥ ε‖x‖₂²] ≤ 2e^(-nc₀(ε))，其中0 < ε < 1，确保RIP以高概率成立。
• 利用引理3.2推导出：当k ≤ c₁n/log(N/k)时，RIP阶k成立的概率至少为1 − 2e^(-c₂n)，其中c₁, c₂ > 0仅依赖于δ_k。
• 应用ℓ₁-最小化进行信号恢复：在满足y = Φx的条件下最小化‖x‖₁，利用理论RIP保证确保对k-稀疏信号的精确恢复。
• 在长度为256的k-稀疏合成信号和真实64×64图像上进行实验，测量在不同稀疏度、测量数量和噪声水平下的成功率和均方误差（MSE）。

实验结果

研究问题

• RQ1 具有依赖项的部分随机对称伯努利矩阵是否仍能以高概率满足限制等距性质（RIP）？
• RQ2 所提对称伯努利矩阵在稀疏信号恢复中的性能与标准测量矩阵（高斯、伯努利、托普利茨、循环）相比如何？
• RQ3 所提对称伯努利矩阵与随机图模型（特别是埃拉托斯特尼-雷尼模型）之间存在何种关系？
• RQ4 所提矩阵的重建精度如何随稀疏度水平和测量数量变化？
• RQ5 在真实世界信号重建任务中，该矩阵对加性高斯噪声的鲁棒性如何？

主要发现

• 当k ≤ c₁n/log(N/k)时，部分随机对称伯努利矩阵以高概率满足阶k的限制等距性质（RIP），其中c₁仅依赖于等距常数δ_k。
• 理论分析表明，该矩阵以至少1 − 2e^(-c₂n)的概率实现RIP，确保了稀疏信号恢复的稳定性和鲁棒性。
• 在长度为256的k-稀疏信号实验中，所提矩阵在不同稀疏度水平下，重建成功率与高斯、伯努利、托普利茨和循环矩阵相当或更优。
• 当测量数n ≥ 95时，所有测试矩阵（包括所提对称伯努利矩阵）在1000次试验中均实现了接近完美的重建成功率。
• 在真实图像重建（64×64，k=739）中，所提矩阵的MSE最低（0.0664），在某些情况下甚至优于托普利茨矩阵（MSE=0.0647）。
• 在高斯噪声逐渐增加（σ ∈ {0, 0.2, 0.4, 0.6, 0.8, 1.0}）时，信噪比（SNR）单调下降，但所提矩阵保持了相对稳定的性能，表明其对噪声具有中等程度的鲁棒性。