[论文解读] Deterministic Compressed Sensing Matrices from Additive Character Sequences

Nam Yul Yu|arXiv (Cornell University)|Sep 30, 2010

Sparse and Compressive Sensing Techniques参考文献 24被引用 3

一句话总结

本论文提出了一种基于有限域上加法特征序列的压缩感知矩阵确定性构造方法，实现了 $N = K^2$ 时渐近最优的相干性，并通过线性反馈移位寄存器（LFSRs）实现高效实现。该方法在匹配追踪下确保了可靠稀疏信号恢复，在无噪声和有噪声条件下均优于随机部分傅里叶矩阵，尤其在稀疏度水平 $s \leq 7$ 时表现更优。

ABSTRACT

Compressed sensing is a novel technique where one can recover sparse signals from the undersampled measurements. In this correspondence, a $K imes N$ measurement matrix for compressed sensing is deterministically constructed via additive character sequences. The Weil bound is then used to show that the matrix has asymptotically optimal coherence for $N=K^2$, and to present a sufficient condition on the sparsity level for unique sparse recovery. Also, the restricted isometry property (RIP) is statistically studied for the deterministic matrix. Using additive character sequences with small alphabets, the compressed sensing matrix can be efficiently implemented by linear feedback shift registers. Numerical results show that the deterministic compressed sensing matrix guarantees reliable matching pursuit recovery performance for both noiseless and noisy measurements.

研究动机与目标

• 开发一种避免随机矩阵高复杂度与高存储需求的确定性压缩感知矩阵构造方法。
• 利用有限域上的加法特征序列，确保相干性与限制等距性质（RIP）的理论保证。
• 通过使用小字母表的线性反馈移位寄存器（LFSRs）实现高效硬件部署。
• 在无噪声和有噪声测量条件下，展示鲁棒且可靠的稀疏信号恢复性能。
• 为使用该确定性矩阵实现唯一稀疏恢复，提供稀疏度水平的充分条件。

提出的方法

• 通过将加法特征序列用作列向量，构造 $K \times N$ 测量矩阵，其中 $N = K^2$ 且 $K = p^m$，$p$ 为素数。
• 在 $\mathbb{F}_{p^m}$ 上使用迹函数 $\mathrm{Tr}_1^m(x)$，通过 $\chi(x) = \exp\left(j \frac{2\pi}{p} \mathrm{Tr}_1^m(x)\right)$ 生成复值序列。
• 应用Weil估计证明该矩阵的相干性渐近最优，当 $N = K^2$ 时，有 $\mu \leq \frac{2}{\sqrt{p^m}}$。
• 通过研究格拉姆矩阵 $\mathbf{A}^*\mathbf{A}$ 的特征值分布，对受限等距性质（RIP）进行统计分析，表明其行为优于高斯随机矩阵。
• 通过利用加法特征序列的线性结构，使用线性反馈移位寄存器（LFSRs）高效实现该矩阵。
• 使用最大迭代次数为100次的匹配追踪进行信号重构，成功定义为：无噪声时 $\|\mathbf{x} - \widehat{\mathbf{x}}\|_2^2 < 10^{-4}$，有噪声时 $< 10^{-2}$。

实验结果

研究问题

• RQ1 能否利用有限域上的加法特征序列构造出具有可证明最优相干性的确定性压缩感知矩阵？
• RQ2 使用所提出的确定性矩阵时，$s$-稀疏信号唯一恢复的稀疏度水平 $s$ 的充分条件是什么？
• RQ3 与随机矩阵相比，该确定性矩阵的受限等距性质（RIP）在特征值统计上表现如何？
• RQ4 所提出的矩阵能否通过小字母表的线性反馈移位寄存器（LFSRs）在实际中实现高效部署？
• RQ5 在有噪声和无噪声条件下，该确定性矩阵的匹配追踪恢复性能与随机选择的部分傅里叶矩阵相比如何？

主要发现

• 该确定性压缩感知矩阵在 $N = K^2$ 时实现了渐近最优相干性，相干性上界为 $\mu \leq \frac{2}{\sqrt{p^m}}$。
• 当 $K = 81$ 且 $N = 6561$ 时，对于 $s \leq 4$ 的情况，恢复成功率超过99%，对于 $s \leq 7$ 的情况，恢复成功率超过95%，表明理论充分条件较为保守。
• 在无噪声和有噪声条件下，该矩阵在匹配追踪恢复性能上均优于随机选择的部分傅里叶矩阵。
• 在有噪声条件下，该矩阵在高信噪比下保持稳定且抗噪声的恢复性能，成功标准为 $\|\mathbf{x} - \widehat{\mathbf{x}}\|_2^2 < 10^{-2}$。
• 格拉姆矩阵 $\mathbf{A}^*\mathbf{A}$ 的特征值统计显示，该确定性矩阵的RIP行为优于高斯随机矩阵。
• 该矩阵可通过LFSRs高效实现，因为每一列均由线性递推生成，支持低复杂度硬件部署与小字母表（如 $\mathbb{F}_3$）的使用。