[论文解读] Iterative Reweighted Algorithms for Sparse Signal Recovery with Temporally Correlated Source Vectors

Zhilin Zhang, Bhaskar D. Rao|arXiv (Cornell University)|Apr 28, 2011

Sparse and Compressive Sensing Techniques参考文献 7被引用 4

一句话总结

该论文提出了一种迭代重加权稀疏贝叶斯学习（SBL）算法，通过利用源向量中的时间相关性，提升了多测量向量（MMV）恢复的性能。通过在重加权ℓ₂算法中用马氏距离替代行范数，该方法在现有方法中表现更优，尤其在高时间相关性条件下，显著提升了恢复精度和抗噪声能力。

ABSTRACT

Iterative reweighted algorithms, as a class of algorithms for sparse signal recovery, have been found to have better performance than their non-reweighted counterparts. However, for solving the problem of multiple measurement vectors (MMVs), all the existing reweighted algorithms do not account for temporal correlation among source vectors and thus their performance degrades significantly in the presence of correlation. In this work we propose an iterative reweighted sparse Bayesian learning (SBL) algorithm exploiting the temporal correlation, and motivated by it, we propose a strategy to improve existing reweighted $\ell_2$ algorithms for the MMV problem, i.e. replacing their row norms with Mahalanobis distance measure. Simulations show that the proposed reweighted SBL algorithm has superior performance, and the proposed improvement strategy is effective for existing reweighted $\ell_2$ algorithms.

研究动机与目标

• 为解决当源向量表现出时间相关性时，稀疏信号恢复性能下降这一MMV问题中的常见问题。
• 开发一种新型的迭代重加权SBL算法，显式建模源向量中的时间相关性。
• 推导一种通用策略，通过马氏距离引入时间相关性，以增强现有重加权ℓ₂算法。
• 通过在不同相关性水平和系统条件下进行仿真，验证所提算法的有效性。

提出的方法

• 在块稀疏贝叶斯学习（bSBL）框架下推导出一种新代价函数，通过行相关矩阵Bi引入时间相关性。
• 提出一种迭代重加权ℓ₂ SBL算法（ReSBL-QM），利用马氏距离根据时间相关性结构对行进行加权。
• 引入一种简化变体（ReSBL-L2），在重加权方案中用马氏距离替代行范数。
• 提出一种通用策略，通过用马氏距离替换行范数，并利用前一迭代估计的相关矩阵Bi，以增强现有重加权ℓ₂算法。
• 采用对角加权矩阵W(k)，其权重基于每行源向量的马氏距离，迭代更新。
• 在重加权规则中采用ε递减策略，以确保数值稳定性和收敛性、鲁棒性。

实验结果

研究问题

• RQ1 源向量之间的时间相关性如何影响现有重加权MMV算法的性能？
• RQ2 能否设计一种重加权SBL算法，显式利用源向量中的时间相关性以提升恢复性能？
• RQ3 基于马氏距离的所提重加权策略能否推广至增强现有重加权ℓ₂算法？
• RQ4 在不同时间相关性水平和系统欠定条件下，所提算法的性能与最先进方法相比如何？

主要发现

• 所提ReSBL-QM算法在所有基线方法中均表现出更优的恢复性能，尤其在高时间相关性条件下。
• 当时间相关性较高（βi ∈ [0.5,1)）时，标准重加权ℓ₂和SBL算法性能显著下降，而所提方法保持高精度。
• 通过马氏距离引入时间相关性的改进算法tMFOCUSS和tIter-L2优于其原始版本（M-FOCUSS和Iter-L2）。
• 将行范数替换为马氏距离的所提策略能有效提升现有重加权ℓ₂算法，展现出广泛适用性。
• 当源行范数相近时，ReSBL-QM算法尤为有效，表现出更强的鲁棒性。