[论文解读] Model-Based Calibration of Filter Imperfections in the Random Demodulator for Compressive Sensing

Pawel Jerzy Pankiewicz, Thomas Arildsen+1 more|arXiv (Cornell University)|Mar 25, 2013

Advanced Fiber Optic Sensors参考文献 34被引用 4

一句话总结

本文提出了一种基于模型的随机解调器压缩感知校准方法，通过采样已知校准信号来估计脉冲响应误差，从而校正滤波器非理想性。采用最小二乘估计，该方法在远少于当前最先进的DFTTI方法所需样本数的情况下，显著提升了信号重建质量，实现噪声无关重建中高达50 dB的信噪比（SNR）增益，同时仅需M个样本而非M×N个样本。

ABSTRACT

The random demodulator is a recent compressive sensing architecture providing efficient sub-Nyquist sampling of sparse band-limited signals. The compressive sensing paradigm requires an accurate model of the analog front-end to enable correct signal reconstruction in the digital domain. In practice, hardware devices such as filters deviate from their desired design behavior due to component variations. Existing reconstruction algorithms are sensitive to such deviations, which fall into the more general category of measurement matrix perturbations. This paper proposes a model-based technique that aims to calibrate filter model mismatches to facilitate improved signal reconstruction quality. The mismatch is considered to be an additive error in the discretized impulse response. We identify the error by sampling a known calibrating signal, enabling least-squares estimation of the impulse response error. The error estimate and the known system model are used to calibrate the measurement matrix. Numerical analysis demonstrates the effectiveness of the calibration method even for highly deviating low-pass filter responses. The proposed method performance is also compared to a state of the art method based on discrete Fourier transform trigonometric interpolation.

研究动机与目标

• 解决压缩感知系统中因硬件引起的测量矩阵失配导致的信号重建质量下降问题。
• 开发一种低样本数校准方法，在不修改硬件或工作频率的前提下校正滤波器非理想性。
• 提供一种实用的基于模型的替代方案，以替代计算成本高昂的DFTTI校准，同时实现相当或更优的重建质量。
• 通过最小化校准样本需求，使实际系统中可频繁重新校准成为可能。

提出的方法

• 该方法将滤波器非理想性建模为随机解调器中低通滤波器离散脉冲响应的加性误差。
• 利用已知校准信号采样系统，并通过最小二乘估计法估计脉冲响应误差。
• 所估计的误差随后用于校准初始测量矩阵，提升其在后续信号重建中的准确性。
• 校准框架基于截短的脉冲响应运行，并利用线性估计方法，以最小化模型化与实际前端行为之间的差异。
• 该方法通过方程组（27）进行公式化，用于估计误差向量，其性能取决于校准样本数M_q与脉冲响应长度L的相对关系。
• 该方法与DFTTI进行比较，DFTTI需要M×N个样本，而本方法仅需M个样本，显著降低了时间与资源开销。

实验结果

研究问题

• RQ1 基于模型的校准方法能否在极少校准样本下有效校正随机解调器模拟前端的滤波器非理想性？
• RQ2 与DFTTI相比，所提出方法在重建质量与计算成本方面表现如何？
• RQ3 校准样本数（M_q）与音调数（K）对脉冲响应误差估计精度有何影响？
• RQ4 在存在显著元器件偏差的情况下，该方法在不同滤波器类型（如Butterworth与Chebyshev）下是否仍具鲁棒性？
• RQ5 该方法能否作为实际系统中频繁重新校准的低开销校准步骤？

主要发现

• 所提出的基于模型的校准方法将RMSE降低至Chebyshev滤波器的2.5677×10⁻⁷和Butterworth滤波器的3.3824×10⁻⁷，显著提升了重建质量。
• 该方法在Chebyshev滤波器下实现了高达180.98 dB的重建信噪比（SNR），在Butterworth滤波器下达到173.75 dB，相比未校准系统实现了50 dB的增益。
• 校准时间缩短至DFTTI的0.1312秒和MBC的0.1457秒，所提方法仅需M个样本而非M×N个样本，使800×12600问题的样本数减少约12.6k。
• 当滤波器非理想性较大时，该方法在SNR稳定性方面优于DFTTI，尤其在M_q ≥ L时表现显著，且在M_q ≈ 1.2L时仍实现显著误差降低。
• 当增加音调数K时，DFTTI方法出现性能退化，而所提方法保持一致的误差校正能力。
• 当M_q ≥ L时，该方法效果最佳；当M_q ≤ L时，性能无法提升甚至恶化，表明存在一个关键的样本数阈值。