[论文解读] Demixing Sines and Spikes: Robust Spectral Super-resolution in the Presence of Outliers

Carlos Fernandez‐Granda, Gongguo Tang+2 more|arXiv (Cornell University)|Sep 8, 2016

Spectroscopy and Chemometric Analyses被引用 7

一句话总结

该论文提出一种凸优化方法，用于从被污染的测量数据中对多正弦信号的线谱进行超分辨，其中恒定比例的样本为异常值。通过将信号建模为正弦波与稀疏脉冲的混合，该方法利用原子范数最小化联合实现谱成分分离与超分辨，当谱线数量与测量数呈线性关系时，在随机相位和最小分离条件下，能够以高概率实现精确恢复。

ABSTRACT

We consider the problem of super-resolving the line spectrum of a multisinusoidal signal from a finite number of samples, some of which may be completely corrupted. Measurements of this form can be modeled as an additive mixture of a sinusoidal and a sparse component. We propose to demix the two components and super-resolve the spectrum of the multisinusoidal signal by solving a convex program. Our main theoretical result is that-- up to logarithmic factors-- this approach is guaranteed to be successful with high probability for a number of spectral lines that is linear in the number of measurements, even if a constant fraction of the data are outliers. The result holds under the assumption that the phases of the sinusoidal and sparse components are random and the line spectrum satisfies a minimum-separation condition. We show that the method can be implemented via semidefinite programming and explain how to adapt it in the presence of dense perturbations, as well as exploring its connection to atomic-norm denoising. In addition, we propose a fast greedy demixing method which provides good empirical results when coupled with a local nonconvex-optimization step.

研究动机与目标

• 解决在脉冲型异常值污染恒定比例测量值的条件下，谱超分辨问题。
• 开发一种可同时去混合多正弦信号与稀疏异常值并实现谱超分辨的方法。
• 在真实条件下（如随机相位和最小谱分离）提供精确恢复的理论保证。
• 将方法扩展以处理密集扰动，并与原子范数去噪建立联系。

提出的方法

• 将受污染信号建模为多正弦分量与稀疏脉冲分量之和。
• 利用原子范数最小化以在频域促进稀疏性并恢复线谱。
• 求解一个凸优化问题，联合估计正弦分量并利用稀疏性诱导正则化识别异常值。
• 通过半定规划（SDP）实现该方法，支持高效计算与理论分析。
• 引入一种基于贪婪策略的去混合算法，结合局部非凸优化步骤以提升实际性能。
• 通过结合总变差与原子范数去噪技术，将方法适配于处理密集噪声。

实验结果

研究问题

• RQ1 当恒定比例的测量值被异常值完全污染时，能否成功实现谱超分辨？
• RQ2 在何种条件下，凸优化可从正弦波与脉冲的混合信号中精确恢复多正弦信号的线谱？
• RQ3 在存在异常值的情况下，所提方法与传统谱估计技术（如MUSIC和周期图法）相比性能如何？
• RQ4 该方法能否同时处理稀疏异常值与密集扰动？
• RQ5 与凸优化方法相比，所提贪婪去混合算法在实际性能与理论性能上的表现如何？

主要发现

• 所提出的凸方法在谱线数量与测量数呈线性关系时，即使存在恒定比例异常值，也能以高概率实现精确超分辨。
• 在随机相位和线谱最小分离条件下，理论保证成立，恢复成功率可达对数因子量级。
• 该方法优于传统谱估计技术（如MUSIC和周期图法），后者在异常值污染下无法检测真实谱线并会错误生成虚假谱线。
• 通过SDP实现的原子范数去噪在准确率与速度上均显著优于基于矩阵补全的去噪方法，平均运行时间分别为3.25秒与11.1秒/次实验。
• 结合局部非凸优化的贪婪去混合方法展现出良好的实际性能，表明其在实现更快速、可扩展的算法方面具有潜力。
• 该方法对正则化参数的选择具有鲁棒性，并可通过与现有去噪框架结合，有效处理密集噪声。