[论文解读] Compressive sensing by white random convolution

Yin Xiang, LianLin Li+1 more|ArXiv.org|Sep 15, 2009

Sparse and Compressive Sensing Techniques参考文献 22被引用 3

一句话总结

该论文提出了一种基于白色随机卷积与固定子采样相结合的压缩感知框架，证明当信号基与傅里叶基之间的相干性受约束时，稀疏信号可高概率可靠恢复。关键结果表明，当样本数满足 m ≈ O(μ²S log(n/δ)^{3/2}) 时，恢复概率超过 1−δ，其中 μ 为相干性，S 为稀疏度，n 为信号维度。

ABSTRACT

A different compressive sensing framework, convolution with white noise waveform followed by subsampling at fixed (not randomly selected) locations, is studied in this paper. We show that its recoverability for sparse signals depends on the coherence (denoted by mu) between the signal representation and the Fourier basis. In particular, an n-dimensional signal which is S-sparse in such a basis can be recovered with a probability exceeding 1-delta from any fixed m~O(mu^2*S*log(n/delta)^(3/2)) output samples of the random convolution.

研究动机与目标

• 解决设计高效、可实现的压缩感知系统中使用确定性采样模式的挑战。
• 研究白色随机卷积结合固定子采样是否能够实现稀疏信号的稳定恢复。
• 表征在给定基下，该系统确保 S-稀疏信号高概率恢复的条件。
• 以相干性 μ、稀疏度 S、信号维度 n 和失败概率 δ 为参数，量化所需样本数量。
• 为避免随机选择采样位置的框架提供理论恢复保证，从而支持实际硬件实现。

提出的方法

• 将白噪声波形作为卷积核应用于稀疏信号，将其转换为扩频信号。
• 在固定且预定的位置对卷积后的信号进行子采样，而非使用随机采样模式。
• 将测量过程建模为由卷积核和固定采样矩阵决定的线性变换。
• 将信号表示基与傅里叶基之间的相干性 μ 作为关键参数，用于约束恢复性能。
• 应用概率分析，在相干性受约束的假设下推导样本复杂度边界。
• 利用集中不等式和随机卷积的性质，建立高概率下的恢复保证。

实验结果

研究问题

• RQ1 白色随机卷积后接固定子采样能否在压缩感知中实现稀疏信号的稳定恢复？
• RQ2 信号基与傅里叶基之间的相干性 μ 如何影响恢复所需的样本数量？
• RQ3 为确保 S-稀疏信号的高概率恢复，最少需要多少个固定子采样点？
• RQ4 若无随机采样位置，是否会影响恢复性能？在何种条件下仍可保证恢复？
• RQ5 能否为使用随机卷积的确定性采样模式建立理论恢复保证？

主要发现

• 所提出的框架可从 m ≈ O(μ²S log(n/δ)^{3/2}) 个固定子采样点中实现 S-稀疏信号的高概率恢复。
• 恢复概率超过 1−δ，其中 δ 控制失败率。
• 信号表示基与傅里叶基之间的相干性 μ 是决定样本复杂度的核心参数。
• 该方法避免了随机采样模式，因此适用于实际硬件实现。
• 理论边界的缩放特性对稀疏度 S 有利，且随信号维度 n 和失败概率 δ 的倒数对数增长。
• 只要相干性 μ 有界，该框架即使在确定性采样下也能保持稳定的恢复性能。