[论文解读] Exact Dimensionality Reduction for Partial Line Spectra Estimation Problems

Maxime Ferreira Da Costa, Wei Dai|arXiv (Cornell University)|Sep 11, 2016

Sparse and Compressive Sensing Techniques参考文献 28被引用 3

一句话总结

本文提出了一种用于部分线谱估计的精确维数约简技术，结合凸优化实现亚奈奎斯特采样，并具备可证明的精确恢复能力。通过将格拉姆参数化方法新颖地扩展至三角子空间，该方法将问题转化为低维半定规划，实现了多速率和随机子采样模式下的对数多倍时间复杂度，同时保持了超分辨率能力。

ABSTRACT

Line spectral estimation theory aims to estimate the off-the-grid spectral components of a time signal with optimal precision. Recent results have shown that it is possible to recover signals having sparse line spectra from few temporal observations via the use of convex programming. However, the computational cost of such approaches remains the major flaw to their application to practical systems. This work investigates the recovery of spectrally sparse signal from low-dimensional partial measurements. It is shown in the first part of this paper that, under a light assumption on the sub-sampling matrix, the partial line spectral estimation problems can be relaxed into a low-dimensional semidefinite program. The proof technique relies on a novel extension of the Gram parametrization to subspaces of trigonometric polynomials. The second part of this work focuses on the analysis of two particular sub-sampling patterns: multirate sampling and random selection sampling. It is shown that those sampling patterns guarantee perfect recovery of the line spectra, and that the reconstruction can be achieved in a poly-logarithmic time with respect to the full observation case. Moreover, the sub-Nyquist recovery capabilities of such sampling patterns are highlighted. The atomic soft thresholding method is adapted in the presented framework to estimate sparse spectra in noisy environments, and a scalable algorithm for its resolution is proposed.

研究动机与目标

• 解决从部分测量中恢复谱稀疏信号时凸优化带来的高计算成本问题。
• 开发一种维数约简框架，确保在亚奈奎斯特采样下实现线谱估计的精确恢复。
• 分析多速率与随机子采样模式在实现最小观测值下完美谱恢复方面的能力。
• 将原子软阈值法适配于噪声环境，并设计一种可扩展算法以实现实际应用。
• 建立一个通用网格支持多个子采样子系统的理论条件，确保采样配置的最小性与可识别性。

提出的方法

• 本文提出了一种将格拉姆参数化方法扩展至三角多项式子空间的新型方法，实现了对原始非凸问题的精确松弛。
• 在子采样矩阵满足温和假设的前提下，将部分线谱估计问题表述为低维半定规划问题。
• 针对多速率与随机子采样，该方法证明了在高概率下可保证完美恢复，且重构时间与完整观测情况下的时间呈多对数尺度增长。
• 在所提框架内对原子软阈值法进行适配，以处理噪声信号，并推导出一种可扩展算法以实现高效计算。
• 利用整数线性组合与基于最大公约数（GCD）的约束，推导出存在一个通用网格以支持多个子采样子系统的必要与充分条件。
• 通过最大化相位偏移并满足扩展参数的GCD=1条件，表征了支持所有子采样子系统的最小网格。

实验结果

研究问题

• RQ1 在温和的子采样假设下，部分线谱估计问题是否可被精确松弛为低维半定规划？
• RQ2 多速率与随机子采样模式是否能够在亚奈奎斯特采样率下实现精确超分辨率恢复？
• RQ3 与完整观测方法相比，所提方法的计算复杂度如何？是否可实现多对数尺度缩放？
• RQ4 在所提维数约简框架内，如何将原子软阈值法适配于噪声部分测量？
• RQ5 在何种条件下，多个子采样子系统存在一个通用采样网格？如何表征该最小网格？

主要发现

• 所提方法通过将格拉姆参数化方法新颖地扩展至三角子空间，将原始高维线谱估计问题约简为低维半定规划问题。
• 在所提框架下，多速率与随机子采样模式可保证即使采样点数远低于奈奎斯特率，也能实现线谱的完美恢复。
• 重构时间与完整观测情况下的时间呈多对数尺度增长，即使采样减少，仍可实现可扩展的恢复。
• 该方法在亚奈奎斯特采样下仍具备超分辨率能力，相较于标准压缩感知在理论与实际应用中均具有优势。
• 推导出多个子采样子系统共享一个通用采样网格存在的必要与充分条件，且最小网格可通过最大化相位偏移与GCD=1条件唯一表征。
• 原子软阈值算法成功适配于维数约简框架，实现了在噪声环境中鲁棒的稀疏谱估计，并具备可扩展解决方案。