[论文解读] Fast Two-Dimensional Atomic Norm Minimization in Spectrum Estimation and Denoising

Jian Pan, Jun Tang+1 more|arXiv (Cornell University)|Jul 23, 2018

Sparse and Compressive Sensing Techniques参考文献 21被引用 6

一句话总结

本文提出了一种用于二维谱估计与去噪的快速矩阵原子范数最小化（MANM）方法，通过引入一种新颖的矩阵原子范数，将二维波束赋形（DOA）问题重新表述为低复杂度的半定规划（SDP）问题。该方法将计算成本从 O((MN+1)^3) 降低至 O((M+N)^3)，同时保持超分辨率性能，并实现高精度、高鲁棒性的单快照恢复，尤其对离网格分量具有强适应性。

ABSTRACT

Motivated by recent work on two dimensional (2D) harmonic component recovery via atomic norm minimization (ANM), a fast 2D direction of arrival (DOA) off-grid estimation based on ANM method was proposed. By introducing a matrix atomic norm the 2D DOA estimation problem is turned into matrix atomic norm minimization (MANM) problem. Since the 2D-ANM gridless DOA estimation is processed by vectorizing the 2D into 1D estimation and solved via semi-definite programming (SDP), which is with high computational cost in 2D processing when the number of antennas increases to large size. In order to overcome this difficulty, a detail formulation of MANM problem via SDP method is offered in this paper, the MANM method converts the original $MN+1$ dimensions problem into a $M+N$ dimensions SDP problem and greatly reduces the computational complexity. In this paper we study the problem of 2D line spectrally-sparse signal recovery from partial noiseless observations and full noisy observations, both of which can be solved efficiently via MANM method and obtain high accuracy estimation of the true 2D angles. We give a sufficient condition of the optimality condition of the proposed method and prove an up bound of the expected error rate for denoising. Finally, numerical simulations are conducted to show the efficiency and performance of the proposed method, with comparisons against several existed sparse methods.

研究动机与目标

• 解决现有二维原子范数最小化（ANM）方法在大规模阵列处理中计算复杂度过高的问题。
• 实现在单快照和部分观测下无需网格划分的超分辨率二维DOA估计。
• 克服传统基于网格的压缩感知方法在处理离网格谐波分量时的局限性。
• 提出一种矩阵原子范数公式，将SDP问题维度从 MN+1 降低至 M+N 维。
• 在噪声条件下，为去噪和估计精度提供理论性能保证。

提出的方法

• 基于二维谐波分量矩阵提出一种新型矩阵原子范数，以结构化矩阵形式替代向量化的一维ANM。
• 通过一种新型原子集合，将二维DOA估计问题重新表述为矩阵原子范数最小化（MANM）问题，同时保持Vandermonde结构。
• 构建维度为 M+N 而非 MN+1 的半定规划（SDP），显著降低计算复杂度。
• 利用托普利茨矩阵结构和Caratheodory型分解，保持二维超分辨率特性。
• 通过基于SDP的优化方法，同时应用于部分无噪观测恢复与完整有噪观测的去噪。
• 利用概率分析和随机矩阵条目上的Bernstein定理，推导估计误差的理论界。

实验结果

研究问题

• RQ1 能否提出一种二维原子范数最小化方法，其计算复杂度显著低于向量化的一维ANM？
• RQ2 所提出的矩阵原子范数公式是否保持超分辨率性能及对离网格分量的鲁棒性？
• RQ3 MANM方法能否实现从单快照和部分观测中准确估计二维DOA？
• RQ4 使用所提出的MANM方法进行去噪时，期望误差率的理论边界是什么？
• RQ5 与现有稀疏恢复和基于ANM的方法相比，MANM方法在运行时间和精度方面表现如何？

主要发现

• MANM方法将SDP问题维度从 O(MN+1) 降低至 O(M+N)，使计算复杂度较向量化ANM降低数个数量级。
• 该方法在单快照条件下仍能实现高分辨率二维DOA估计，具备超分辨率性能，且无需使用密集网格。
• 理论分析表明，去噪过程中的期望误差被限制在 2λ‖X♯‖_𝒜𝒹 以内，其中 λ 是阵列尺寸和噪声方差的函数。
• 数值仿真结果表明，MANM在离网格条件下显著优于传统基于网格的方法（如OMP和LASSO）。
• 与传统子空间方法（如MUSIC和ESPRIT）相比，该方法对相干信号源和信号相关性保持鲁棒性。
• 当 Mₓ = 4π(M−1) 且 Nᵧ = 4π(N−1) 时，噪声矩阵的期望范数被一个包含 √(ln(MₓNᵧ)) 和 (M−1)²(N−1)² 项的函数所界定，从而确保性能稳定。