[论文解读] Estimating the Frequency of a Clustered Signal.

Xuebo Chen, Eric Price|arXiv (Cornell University)|Jan 1, 2019

Sparse and Compressive Sensing Techniques被引用 5

一句话总结

本文提出一种方法，从 $[-1, 1]$ 上的噪声样本中估计具有 $k$-Fourier 稀疏性的聚类、非网格对齐信号的中心频率 $f_0$。其误差界为 $\Delta + \tilde{O}(k^3)$，优于先前的界，并与理论下界 $\Delta + \tilde{O}(k^2)$ 相匹配，同时引入了针对 $k$-稀疏信号的最大值与平均值之比的新 $\tilde{O}(k^3)$ 界。

ABSTRACT

We consider the problem of locating a signal whose frequencies are off grid and clustered in a narrow band. Given noisy sample access to a function $g(t)$ with Fourier spectrum in a narrow range $[f_0 - \Delta, f_0 + \Delta]$, how accurately is it possible to identify $f_0$? We present generic conditions on $g$ that allow for efficient, accurate estimates of the frequency. We then show bounds on these conditions for $k$-Fourier-sparse signals that imply recovery of $f_0$ to within $\Delta + ilde{O}(k^3)$ from samples on $[-1, 1]$. This improves upon the best previous bound of $O\big( \Delta + ilde{O}(k^5) \big)^{1.5}$. We also show that no algorithm can do better than $\Delta + ilde{O}(k^2)$. In the process we provide a new $ ilde{O}(k^3)$ bound on the ratio between the maximum and average value of continuous $k$-Fourier-sparse signals, which has independent application.

研究动机与目标

• 解决估计具有傅里叶分量聚集在窄带 $[f_0 - \Delta, f_0 + \Delta]$ 内的信号的中心频率 $f_0$ 的挑战。
• 在真实频率偏离采样网格且未对齐的情况下，开发高效且精确的频率估计算法。
• 为 $k$-Fourier 稀疏信号的可实现估计误差建立紧致的上下界。
• 推导出连续 $k$-Fourier 稀疏信号的最大值与平均值之比的新界，具有独立的应用价值。

提出的方法

• 推导信号 $g(t)$ 的通用条件，以确保尽管存在非网格对齐和聚类分量，仍能实现精确的频率估计。
• 应用谱集中度和逼近理论，以 $[-1, 1]$ 上的采样结果来界定估计 $f_0$ 的误差。
• 提出连续 $k$-Fourier 稀疏信号的最大值与平均值之比的新 $\tilde{O}(k^3)$ 界。
• 利用该振幅比界，推导出频率估计的改进 $\tilde{O}(k^3)$ 误差界。
• 建立匹配的信息论下界 $\Delta + \tilde{O}(k^2)$，以证明上界的最优性。

实验结果

研究问题

• RQ1 对于具有 $k$ 个傅里叶分量的聚类、非网格对齐信号，估计其中心频率 $f_0$ 的最佳可能精度是什么？
• RQ2 频率估计的误差界能否优于先前的 $O(\Delta + \tilde{O}(k^5))^{1.5}$？
• RQ3 $k$-Fourier 稀疏信号的最大值与平均值之比的最紧可达上界是什么？
• RQ4 是否存在估计误差的根本限制，且能否通过算法实现该限制？

主要发现

• 本文建立了聚类信号中心频率 $f_0$ 估计误差的改进上界 $\Delta + \tilde{O}(k^3)$。
• 该上界优于先前的最佳界 $O\big( \Delta + \tilde{O}(k^5) \big)^{1.5}$，显著降低了对 $k$ 的依赖程度。
• 本文证明了匹配的下界 $\Delta + \tilde{O}(k^2)$，表明任何算法都无法实现优于该误差，从而确立了近似最优性。
• 推导出连续 $k$-Fourier 稀疏信号的最大值与平均值之比的新界 $\tilde{O}(k^3)$，该结果在信号分析中具有独立兴趣。