[论文解读] Matrix Factorization for Nonparametric Multi-source Localization Exploiting Unimodal Properties.

Junting Chen, Urbashi Mitra|arXiv (Cornell University)|Nov 20, 2017

Indoor and Outdoor Localization Technologies参考文献 27被引用 3

一句话总结

该论文提出了一种基于单峰约束矩阵分解（UMF）的非参数多源定位方法，通过不完整能量观测矩阵估计源位置，无需信号传播模型或空间特征。通过提取单峰位置特征向量并应用鲁棒峰值定位算法，该方法的均方误差下降速度超过 O(1/M^1.5)，且仅需五分之一的样本即可达到与核回归相当的性能，尤其在多源场景中表现更优。

ABSTRACT

Herein, the problem of simultaneous localization of multiple sources given a number of energy samples at different locations is examined. The strategies do not require knowledge of the signal propagation models, nor do they exploit the spatial signatures of the source. A nonparametric source localization framework based on a matrix observation model is developed. It is shown that the source location can be estimated by localizing the peaks of a pair of location signature vectors extracted from the incomplete energy observation matrix. A robust peak localization algorithm is developed and shown to decrease the source localization mean squared error (MSE) faster than O(1/M^1.5) with M samples. To extract the source signature vectors from a matrix with mixed energy from multiple sources, a unimodal-constrained matrix factorization (UMF) problem is formulated, and two rotation techniques are developed to solve the UMF efficiently. Our numerical experiments demonstrate that the proposed scheme achieves similar performance as the kernel regression baseline using only 1/5 energy measurement samples in detecting a single source, and the performance gain is more significant in the cases of detecting multiple sources.

研究动机与目标

• 解决仅利用能量测量实现多源定位的挑战，且无需事先了解传播模型或源特征。
• 开发一种非参数框架，从不完整能量观测矩阵中估计源位置。
• 利用单峰约束下的矩阵分解，从混合能量数据中提取单峰源特征向量。
• 通过开发一种鲁棒峰值定位算法，降低均方误差，使其下降速度超过 O(1/M^1.5)，从而提升定位精度。
• 在减少采样需求的前提下，展示在多源场景中的显著性能提升。

提出的方法

• 构建一个矩阵观测模型，将多个源的能量样本聚合为一个不完整矩阵。
• 解决单峰约束矩阵分解（UMF）问题，以从混合观测中分离源特征。
• 引入两种旋转技术，高效求解UMF问题，同时保持分解成分中的单峰结构。
• 从分解后的矩阵中提取位置特征向量，这些向量具有单峰特性，代表各源的能量分布。
• 应用鲁棒峰值定位算法，将源位置识别为这些特征向量的峰值。
• 将峰值位置作为源位置的估计值，从而减少对参数假设的依赖。

实验结果

研究问题

• RQ1 是否可以在不依赖信号传播模型或源空间特征的先验知识下实现源定位？
• RQ2 如何从混合能量观测矩阵中有效提取单峰源能量分布？
• RQ3 与基线方法（如核回归）相比，所提方法在样本效率方面有何性能提升？
• RQ4 随着样本量 M 增加，鲁棒峰值定位算法如何提升定位精度？
• RQ5 该方法在多源定位场景中相较于现有方法的性能优势有多大？

主要发现

• 在单源检测中，所提方法仅使用五分之一的能能量测量样本，即可达到与核回归相当的定位性能。
• 随着样本量 M 增加，源定位的均方误差（MSE）下降速度超过 O(1/M^1.5)，表明其具有更优的收敛性。
• 在多源定位中性能增益更为显著，该方法能有效分离重叠的源特征。
• 单峰约束矩阵分解成功从混合数据中提取出源特定的特征向量，从而实现精确的峰值检测。
• 用于求解UMF的两种旋转技术显著提升了计算效率，同时保持了精度。
• 鲁棒峰值定位算法提升了定位精度，尤其在低信噪比或稀疏采样条件下表现更优。