[论文解读] KF-CS: Compressive Sensing on Kalman Filtered Residual

Namrata Vaswani|arXiv (Cornell University)|Dec 8, 2009

Sparse and Compressive Sensing Techniques参考文献 22被引用 13

一句话总结

KF-CS 提出了一种递归压缩感知方法，通过将压缩感知应用于卡尔曼滤波后的残差而非原始测量值，提高了时变稀疏信号的重建精度。该方法在计算复杂度与标准压缩感知相近的情况下，实现了随时间稳定的误差表现，优于 LS-CS 和简单压缩感知，尤其在测量率较低时表现更优。

ABSTRACT

We consider the problem of recursively reconstructing time sequences of sparse signals (with unknown and time-varying sparsity patterns) from a limited number of linear incoherent measurements with additive noise. The idea of our proposed solution, KF CS-residual (KF-CS) is to replace compressed sensing (CS) on the observation by CS on the Kalman filtered (KF) observation residual computed using the previous estimate of the support. KF-CS error stability over time is studied. Simulation comparisons with CS and LS-CS are shown.

研究动机与目标

• 开发一种递归的、低复杂度的方法，用于从有限的、含噪声的线性测量中重建时间序列的稀疏信号，其稀疏模式未知且缓慢变化。
• 通过利用历史信号估计和卡尔曼滤波，改进简单压缩感知和 LS-CS，以降低重建误差，特别是在测量稀缺的情况下。
• 通过使用卡尔曼滤波后的残差和基于支持的压缩感知，确保递归重建的长期误差稳定性。
• 保持计算和存储复杂度与标准压缩感知相当，避免批量处理带来的高成本。

提出的方法

• KF-CS 用对卡尔曼滤波残差应用压缩感知替代标准压缩感知对原始观测值的处理，其中残差通过前一时刻的信号支持估计计算得到。
• 在每个时间步，对当前支持估计应用卡尔曼滤波，将残差作为输入输入至基于 Dantzig 选择器的压缩感知求解器，以检测新的支持元素。
• 通过动态更新支持集，将检测到的非零系数加入，并移除长时间保持接近零的系数。
• 通过递归更新卡尔曼滤波参数（增益、误差协方差），利用当前支持估计确保时间一致性与误差稳定性。
• 在压缩感知步骤中使用 Dantzig 选择器，因其具有强理论保证且对信号支持大小具有鲁棒性。
• 通过分析卡尔曼滤波误差动态在时变支持下的稳定性，证明了误差收敛性，表明估计误差的均方值收敛于零。

实验结果

研究问题

• RQ1 能否有效将压缩感知应用于卡尔曼滤波后信号的残差，以提升动态稀疏信号恢复中的重建精度？
• RQ2 与 LS-CS 和简单压缩感知相比，使用卡尔曼滤波残差而非原始测量是否能带来更好的误差稳定性和更低的重建误差？
• RQ3 KF-CS 算法在何种理论条件下能保证随时间的有界估计误差？
• RQ4 在实际应用中，KF-CS 的计算复杂度与批量处理和非递归压缩感知方法相比如何？

主要发现

• 在适当条件下，KF-CS 实现了随时间稳定的均方误差收敛，真实信号与估计信号之间的误差差值呈指数衰减至零。
• 该算法在重建精度方面优于 LS-CS 和简单压缩感知，尤其在测量数较少时，得益于对历史信号估计的更好利用。
• KF-CS 的计算与存储复杂度为每时间步 $O(m^3)$，序列长度为 $N$ 时总复杂度为 $O(Nm^3)$，显著低于批量压缩感知的 $O(N^3m^3)$ 复杂度。
• 理论分析证明，当卡尔曼滤波误差动态稳定时，估计误差在均方意义下收敛于零，该条件的假设强于 LS-CS 所需条件。
• 该方法确保误差有界且以概率收敛，且基于卡尔曼误差转移矩阵的谱半径，可明确给出误差衰减速率的上界。
• 实验仿真结果证实，KF-CS 在低信噪比和低测量率条件下，重建误差显著低于 LS-CS 和简单压缩感知。