[论文解读] Discrete Sparse Signals: Compressed Sensing by Combining OMP and the Sphere Decoder

Susanne Sparrer, Robert F. H. Fischer|arXiv (Cornell University)|Oct 9, 2013

Sparse and Compressive Sensing Techniques参考文献 15被引用 6

一句话总结

本文提出了一种混合压缩感知方法，将正交匹配追踪（OMP）与球形译码器（SD）相结合，以高效地从欠定线性系统中重建离散取值的稀疏信号。通过使用OMP识别扩展的支持集，并应用具有稀疏性感知度量的SD，该方法在已知稀疏性且SD被调整以强制执行正确稀疏性水平时，相较于传统量化或嵌入式检测方法，实现了显著的性能提升。

ABSTRACT

We study the reconstruction of discrete-valued sparse signals from underdetermined systems of linear equations. On the one hand, classical compressed sensing (CS) is designed to deal with real-valued sparse signals. On the other hand, algorithms known from MIMO communications, especially the sphere decoder (SD), are capable to reconstruct discrete-valued non-sparse signals from well- or overdefined system of linear equations. Hence, a combination of both approaches is required. We discuss strategies to include the knowledge of the discrete nature of the signal in the reconstruction process. For brevity, the exposition is done for combining the orthogonal matching pursuit (OMP) with the SD; design guidelines are derived. It is shown that by suitably combining OMP and SD an efficient low-complexity scheme for the detection of discrete sparse signals is obtained.

研究动机与目标

• 为解决从欠定线性系统中重建离散取值稀疏信号的挑战，其中经典压缩感知因忽略离散信号结构而表现不佳。
• 利用离散信号字母表知识与已知稀疏性，提升重建精度，超越标准压缩感知或标量量化方法。
• 通过结合OMP的支持选择与SD的符号检测，设计一种低复杂度、高效的检测方案，以实现离散信号的重建。
• 探究在已知稀疏性时，将检测嵌入OMP或在扩展支持集上使用SD，哪种方法性能更优。
• 评估迭代OMP扩展与SD自适应对符号误码率（SER）和支持集恢复可靠性的影响。

提出的方法

• 该方法使用OMP迭代识别候选支持集 𝒮，其中包含稀疏信号的真实支持，迭代次数 E > s 以增强对错误选择的鲁棒性。
• 在OMP识别出 𝒮 后，通过球形译码器（SD）检测 𝒮 中位置的离散取值信号分量，SD在有限字母表上搜索以最小化残差误差。
• SD通过引入稀疏性感知度量进行修改，以强制实现已知稀疏性 s，确保最终解恰好包含 s 个非零元素。
• 该方法避免将量化嵌入OMP，而是将检测作为独立的、后OMP阶段在选定支持上执行，从而降低复杂度并提高精度。
• 通过SER随信噪比（SNR）和迭代次数的变化评估性能，使用“天才辅助”曲线以隔离支持集准确性的影响。
• 将该方法与OMP与标量量化（OMP/Q）、Q-OMP及基于SD的检测等变体进行比较，重点分析先验概率和支持集质量的作用。

实验结果

研究问题

• RQ1 与标准压缩感知或标量量化相比，将OMP与球形译码器（SD）结合是否能显著改善离散稀疏信号的符号误码率（SER）？
• RQ2 当在选定支持集上使用SD时，将OMP迭代次数增加至超过真实稀疏性 s 是否能提升鲁棒性与检测性能？
• RQ3 SD度量对已知稀疏性 s 的适应有多关键，这种适应能带来多大性能增益？
• RQ4 OMP识别的支持集准确性在多大程度上限制了整体性能，是否可通过更可靠的支持选择来缓解此问题？
• RQ5 将量化或SD嵌入OMP是否比先OMP后SD的两阶段方法更有效？

主要发现

• 使用 E > s 次迭代的OMP，随后在选定支持集上进行SD检测，其SER显著优于OMP与标量量化或嵌入式检测，尤其在已知稀疏性时。
• 采用稀疏性感知度量的SD优于逐符号量化，在正确支持集可用时，可实现高达0.5 dB的SNR增益，表明支持集质量是关键瓶颈。
• 当 E = s 时，嵌入OMP的量化仅带来微小增益，但将 E 增加至24–30可提升对错误支持选择的鲁棒性，使方法在不确定性下更具可靠性。
• 天才辅助曲线表明，若能保证正确支持集包含在 𝒮 中，性能还可进一步提升约0.5 dB，凸显准确支持恢复的重要性。
• 将OMP用于支持选择、SD用于离散符号检测的组合方式，优于将检测嵌入OMP，因其避免了不必要的复杂度，同时提升了精度。
• CoSaMP算法（相比OMP具有更优的支持恢复能力）可类似地与SD结合，进一步提升性能，表明所提框架具有更广泛的应用潜力。