[论文解读] Generalized Expectation Consistent Signal Recovery for Nonlinear Measurements

Hengtao He, Chao-Kai Wen+1 more|arXiv (Cornell University)|Jan 16, 2017

Sparse and Compressive Sensing Techniques参考文献 16被引用 4

一句话总结

本文提出了一种新型贝叶斯信号恢复算法——广义期望一致信号恢复（GEC-SR），用于处理具有通用传感矩阵（包括量化输出和非高斯输出）的非线性测量。通过将GTurbo-SR框架通过广义期望一致（GEC）推广至任意矩阵，该方法在状态演化分析下实现了具有理论最优收敛性的最先进性能，且与复制法所得理论预测一致。

ABSTRACT

In this paper, we propose a generalized expectation consistent signal recovery algorithm to estimate the signal $\mathbf{x}$ from the nonlinear measurements of a linear transform output $\mathbf{z}=\mathbf{A}\mathbf{x}$. This estimation problem has been encountered in many applications, such as communications with front-end impairments, compressed sensing, and phase retrieval. The proposed algorithm extends the prior art called generalized turbo signal recovery from a partial discrete Fourier transform matrix $\mathbf{A}$ to a class of general matrices. Numerical results show the excellent agreement of the proposed algorithm with the theoretical Bayesian-optimal estimator derived using the replica method.

研究动机与目标

• 开发一种计算高效的信号恢复算法，用于一般传感矩阵下的非线性测量，扩展此前仅限于部分DFT矩阵的研究。
• 通过利用广义期望一致（GEC）方法，解决AMP和GAMP在非i.i.d.或结构化矩阵下的局限性。
• 在低信噪比和低测量数条件下，确保算法的鲁棒收敛与最优性能。
• 推导并验证一种状态演化（SE）分析，以准确预测算法性能。

提出的方法

• 该算法利用广义期望一致（GEC）近似后验分布，在非线性测量下实现可处理的推断。
• 通过估计方差与有效噪声项的耦合方程，迭代更新消息传递参数。
• 引入一种新颖的更新顺序，显著提升收敛性，尤其在稀疏信号与低测量比条件下。
• 推导出状态演化方程，用于追踪迭代过程中均方误差（MSE）的变化，从而实现性能预测。
• 通过奇异值分解将GTurbo-SR的局部DFT假设推广至任意传感矩阵，实现方法泛化。
• 理论分析表明，状态演化与复制法所得预测一致，表明方法具有最优性。

实验结果

研究问题

• RQ1 广义期望一致算法能否在任意传感矩阵下实现非线性信号恢复的最优性能？
• RQ2 在收敛性与鲁棒性方面，所提出的GEC-SR算法相较于初始GEC与GTurbo-SR有何表现，特别是在稀疏信号情况下的表现？
• RQ3 GEC-SR的状态演化是否能准确预测其在不同测量模型下的渐近性能？
• RQ4 当传感矩阵偏离i.i.d.或部分DFT结构时，该算法在多大程度上仍能保持最优性？
• RQ5 GEC-SR框架能否在低分辨率量化测量中应用，并具备可证明的理论保证？

主要发现

• GEC-SR的模拟性能与复制法所得理论预测高度一致，证实其在非线性测量下的最优性。
• 对于部分DFT传感矩阵，GEC-SR精确退化为GTurbo-SR，验证了其与先前最先进方法的一致性。
• 与初始GEC方法相比，所提算法在收敛性与鲁棒性方面表现更优，尤其在低测量比与高稀疏度条件下。
• 状态演化分析能准确预测GEC-SR在迭代过程中的MSE演化，与理论预期一致。
• 该算法在3位量化与稀疏信号等挑战性条件下仍保持稳定收敛，而初始GEC方法则表现不佳。