[论文解读] Compressive MUSIC: A Missing Link Between Compressive Sensing and Array Signal Processing

Jong‐Min Kim, Ok Kyun Lee+1 more|arXiv (Cornell University)|Apr 26, 2010

Indoor and Outdoor Localization Technologies参考文献 50被引用 21

一句话总结

本文提出 Compressive MUSIC 算法，通过利用压缩感知（CS）识别初始支持，再应用广义 MUSIC 准则优化剩余支持，将压缩感知（CS）与阵列信号处理统一起来。该方法在传感器数量少于传统 CS 方法的情况下实现精确的稀疏恢复，并在有限快照下逼近理论 $l_0$-界，弥合了概率性 CS 与确定性阵列处理之间的差距。

ABSTRACT

The multiple measurement vector (MMV) problem addresses the identification of unknown input vectors that share common sparse support. Even though MMV problems had been traditionally addressed within the context of sensor array signal processing, the recent trend is to apply compressive sensing (CS) due to its capability to estimate sparse support even with an insufficient number of snapshots, in which case classical array signal processing fails. However, CS guarantees the accurate recovery in a probabilistic manner, which often shows inferior performance in the regime where the traditional array signal processing approaches succeed. The apparent dichotomy between the {\em probabilistic} CS and {\em deterministic} sensor array signal processing have not been fully understood. The main contribution of the present article is a unified approach that unveils a {missing link} between CS and array signal processing. The new algorithm, which we call {\em compressive MUSIC}, identifies the parts of support using CS, after which the remaining supports are estimated using a novel generalized MUSIC criterion. Using a large system MMV model, we show that our compressive MUSIC requires a smaller number of sensor elements for accurate support recovery than the existing CS methods and can approach the optimal $l_0$-bound with finite number of snapshots.

研究动机与目标

• 解决多测量向量（MMV）问题中长期存在的概率性压缩感知（CS）与确定性阵列信号处理之间的二元对立。
• 克服现有 CS 方法在经典阵列处理表现优异的低快照场景下无法实现最优性能的局限。
• 开发一个统一框架，结合 CS 与阵列信号处理的优势，以提升支持恢复精度并减少所需传感器数量。
• 在有限快照数量下实现接近理论 $l_0$-界的性能，而这是标准 CS 方法无法实现的。
• 基于大系统 MMV 模型与不同测量向量数量下的渐近分析，为新算法提供理论基础。

提出的方法

• 利用压缩感知通过基于子空间的正交匹配追踪（S-OMP）算法，初步识别真实支持的子集，特别是前 $k-r$ 个索引。
• 应用一种新颖的广义 MUSIC 准则，利用与估计信号子空间正交的残差子空间来估计剩余支持。
• 基于字典原子在残差子空间上的投影定义检测统计量：$ m\boldsymbol{a}_j^* P_{R(P_{R(A_{I_t})}^\bot B)} \|^{2} $，用于区分支持与非支持索引。
• 利用 Marçenko-Pastur 定理与卡方分布分析，推导检测统计量在大系统极限下的渐近行为。
• 基于信噪比（SNR）、条件数 $\kappa(B)$ 和比值 $r/k$，建立算法以高概率正确识别支持索引的理论条件。
• 推导出两种不同的渐近情形：(1) 固定 $r$ 且 $n \to \infty$，(2) 当 $n \to \infty$ 时 $r/k \to \alpha > 0$，以分析不同采样条件下的性能。

实验结果

研究问题

• RQ1 能否为 MMV 问题开发一个结合压缩感知与阵列信号处理优势的统一框架？
• RQ2 所提出的 Compressive MUSIC 算法在有限快照下是否优于标准 CS 方法的支持恢复性能？
• RQ3 该算法能否在有限数量的测量向量下实现接近理论 $l_0$-界的稀疏恢复？
• RQ4 Compressive MUSIC 的性能如何依赖于测量向量数量 $r$ 与信噪比（SNR）？
• RQ5 在大系统极限下，何种理论条件可确保广义 MUSIC 准则正确识别真实支持？

主要发现

• Compressive MUSIC 在实现精确支持恢复方面所需的传感器数量少于现有 CS 方法，尤其在低快照场景下表现更优。
• 该算法可在有限快照数量下逼近最优 $l_0$-界，而这是依赖于概率保证的标准 CS 方法无法实现的。
• 在 $r$ 固定且 $n \to \infty$ 的情形下，若 $m$ 满足 $ m > k \left[1 - \frac{4k}{r}\frac{\kappa(B)+1}{{\sf SNR}_{\min}-1} \right]^{-1} 2(1+\delta) \frac{\log(n-k)}{r} $，则可确保以高概率正确识别支持。
• 对于 $r/k \to \alpha > 0$ 的情形，若 $ m > k(1+\delta)^2 \frac{1}{\left(1 - \frac{4}{\alpha}\frac{\kappa(B)+1}{{\sf SNR}_{\min}-1}\right)^2} [2 - F(\alpha)]^2 $，其中 $\delta > 0$，则可确保正确识别。
• 理论分析表明，真实支持索引的检测统计量在渐近下超过虚警阈值，满足 $ \liminf_{n\to\infty} \max_{j\in{\rm supp}X} \frac{m\|\mathbf{a}_j^* P_{R(P_{R(A_{I_t})}^\perp Y)}\|^{2}}{2\log(n-k)} \geq 1+\delta $，从而确保可靠检测。
• 该方法通过利用 CS 进行初始支持估计，再通过 MUSIC 进行优化，成功统一了 CS 与阵列处理，解决了两种范式之间长期存在的性能差距。