[论文解读] Multi-dimensional Spectral Super-Resolution with Prior Knowledge via Frequency-Selective Vandermonde Decomposition and ADMM

Yinchuan Li, Xiaodong Wang+1 more|arXiv (Cornell University)|Jun 1, 2019

Sparse and Compressive Sensing Techniques参考文献 48被引用 6

一句话总结

该论文提出了一种多维（MD）谱超分辨率方法，通过频率选择性（FS）原子范数最小化和基于ADMM的优化，利用关于频率区间的先验知识。通过利用块托普利茨矩阵的多维频率选择性范德蒙德分解，该方法将非凸的超分辨率问题转化为可处理的半定规划（SDP），在低秩张量模型和不完整/噪声数据条件下实现了高分辨率的频率估计。

ABSTRACT

This paper is concerned with estimation of multiple frequencies from incomplete and/or noisy samples based on a low-CP-rank tensor data model where each CP vector is an array response vector of one frequency. Suppose that it is known a priori that the frequencies lie in some given intervals, we develop efficient super-resolution estimators by exploiting such prior knowledge based on frequency-selective (FS) atomic norm minimization. We study the MD Vandermonde decomposition of block Toeplitz matrices in which the frequencies are restricted to lie in given intervals. We then propose to solve the FS atomic norm minimization problems for the low-rank spectral tensor recovery by converting them into semidefinite programs based on the MD Vandermonde decomposition. We also develop fast solvers for solving these semidefinite programs via the alternating direction method of multipliers (ADMM), where each iteration involves a number of refinement steps to utilize the prior knowledge. Extensive simulation results are presented to illustrate the high performance of the proposed methods.

研究动机与目标

• 解决当频率已知位于特定区间时，多维（MD）谱超分辨率的挑战。
• 克服传统压缩感知和原子范数方法缺乏先验知识整合的局限性。
• 在不完整和噪声采样条件下，为基于低秩张量的谱估计开发一个框架。
• 通过针对先验知识量身定制的基于ADMM的求解器，实现高效计算超分辨率。
• 在低秩张量假设下，建立多维-频率选择性（MD-FS）原子范数最小化与半定规划（SDP）之间的理论等价性。

提出的方法

• 利用d级块托普利茨矩阵的多维频率选择性（FS）范德蒙德分解来建模频率约束。
• 通过多维FS范德蒙德分解，将MD-FS原子范数最小化问题转化为半定规划（SDP）。
• 采用交替方向乘子法（ADMM）高效求解所得SDP，每轮迭代中引入细化步骤以整合先验知识。
• 从对偶问题中引入双多项式表示，以支持谱超分辨率和性能分析。
• 通过对应于频率区间的半正定块对SDP施加约束，确保频率响应位于已知区域内。
• 在底层谱张量为低秩的条件下，建立MD-FS原子范数与所提SDP公式之间的理论等价性。

实验结果

研究问题

• RQ1 能否有效将关于频率区间的先验知识整合到多维谱超分辨率中，以提高估计精度？
• RQ2 如何将一维（1D）的频率选择性（FS）原子范数推广到多维（MD）设置，以实现低秩张量恢复？
• RQ3 在低秩张量模型下，MD-FS原子范数最小化与半定规划（SDP）之间存在何种关系？
• RQ4 如何将ADMM适配于高效求解具有多个频率区间约束的高维SDP？
• RQ5 MD-FS原子范数最小化问题的对偶问题能否用于构造双多项式，以验证超分辨率性能？

主要发现

• 该方法通过利用频率区间的先验知识，在子奈奎斯特采样和噪声条件下仍能实现高分辨率谱估计。
• 当底层张量为低秩时，MD-FS原子范数最小化问题在理论上等价于所提出的SDP公式。
• 基于ADMM的求解器能够高效计算SDP，且每轮迭代中通过细化步骤整合先验知识。
• 对偶问题产生可用于验证解最优性并分析超分辨率性能的双多项式。
• 大量仿真结果表明，与传统原子范数和压缩感知方法相比，所提方法在频率估计精度和抗噪声鲁棒性方面具有显著优势。
• 通过利用频率选择性约束结构和低秩张量模型，该方法有效降低了计算复杂度，相比标准SDP求解器具有更高的效率。