[论文解读] Computing a k-sparse n-length Discrete Fourier Transform using at most 4k samples and O(k log k) complexity

Sameer Pawar, Kannan Ramchandran|arXiv (Cornell University)|May 4, 2013

Sparse and Compressive Sensing Techniques参考文献 21被引用 7

一句话总结

该论文提出了FFAST算法，这是一种新颖的框架，通过利用CRT引导的均匀子采样实现混叠效应，仅使用O(k)个样本和O(k log k)次运算，即可计算k-稀疏离散傅里叶变换（DFT）。该方法将稀疏DFT的计算转化为稀疏图码的译码问题，在实际稀疏度范围内，实现了接近最优的样本复杂度和计算复杂度，常数因子小于4k。

ABSTRACT

Given an $n$-length input signal $\mbf{x}$, it is well known that its Discrete Fourier Transform (DFT), $\mbf{X}$, can be computed in $O(n \log n)$ complexity using a Fast Fourier Transform (FFT). If the spectrum $\mbf{X}$ is exactly $k$-sparse (where $k<

研究动机与目标

• 降低k-稀疏信号DFT计算的样本复杂度和计算复杂度，其中k << n。
• 将子采样引起的混叠作为特征而非失真来利用，通过设计使其类似于性能优良的删除纠错码的校验约束。
• 实现k-稀疏DFT的O(k log k)计算复杂度和O(k)样本复杂度，且常数因子较小。
• 设计一种实用且低复杂度的算法，在频谱稀疏且支持均匀随机时，优于传统FFT。
• 通过密度演化技术将基于CRT的混叠框架与随机稀疏图码理论连接起来，并证明性能保证。

提出的方法

• FFAST算法使用多阶段均匀子采样输入信号x，每阶段均通过中国剩余定理（CRT）引导，以生成结构化的混叠模式。
• 在极稀疏区域（k = O(n^δ)，δ ≤ 1/3）使用互质整数设计子采样模式，在较不稀疏区域（δ > 1/3）使用循环移位的互质整数。
• 由此产生的DFT域混叠效果类似于低密度奇偶校验（LDPC）码和喷泉码的校验约束，使稀疏DFT恢复问题可转化为译码问题。
• 在FFAST后端应用一种类似剥除法的译码算法，从O(k)个子采样测量值中恢复稀疏DFT。
• 理论分析采用编码理论中的密度演化技术，对译码过程进行建模，并在支持随机假设下预测性能。
• 通过仿真验证了该框架，结果与理论预测高度一致，尤其在δ < 0.99时表现更佳。

实验结果

研究问题

• RQ1 当k在n中为次线性时，能否使用少于n个样本和次线性时间复杂度计算k-稀疏DFT？
• RQ2 子采样引起的混叠能否系统性地被利用，以在DFT域中构建类似码的结构？
• RQ3 在使用结构化子采样时，恢复k-稀疏DFT所需的最少样本数是多少，且能以高概率实现？
• RQ4 中国剩余定理如何用于设计诱导有利混叠的子采样模式，以实现稀疏DFT的有效恢复？
• RQ5 此类框架的理论性能极限是什么？其距离信息论下限有多近？

主要发现

• 当k = O(n^δ)且δ < 0.99时，FFAST算法使用少于4k个样本，且O(k)样本复杂度中的常数因子较小。
• FFAST的计算复杂度为O(k log k)，远低于标准FFT在稀疏信号下的O(n log n)复杂度。
• 当非零系数的支持集为均匀随机时，该算法能以高概率恢复k-稀疏DFT。
• 基于密度演化的理论分析表明，剥除译码器以高概率收敛，且译码失败的概率随k指数衰减。
• 仿真结果证实了理论预测，显示在各种稀疏度水平下，分析性能与实测性能高度一致。
• 该框架建立了稀疏DFT计算与稀疏图码译码之间的强关联，使得通过低复杂度消息传递实现高效恢复成为可能。