[论文解读] Multi-Dimensional Wireless Tomography with Tensor-Based Compressed Sensing

Takemoto Kazushi, Takahiro Matsuda+4 more|arXiv (Cornell University)|Jul 9, 2014

Sparse and Compressive Sensing Techniques参考文献 18被引用 3

一句话总结

本文提出了一种基于张量的压缩感知框架，用于多维无线断层扫描，以比传统的基于向量的压缩感知更精确地估计阴影衰落损耗分布。通过利用损耗场张量的低秩结构，而非频域中的稀疏性，该方法在低噪声环境下实现了更优的重建性能，仿真结果基于合成与真实世界数据模型验证了其有效性。

ABSTRACT

Wireless tomography is a technique for inferring a physical environment within a monitored region by analyzing RF signals traversed across the region. In this paper, we consider wireless tomography in a two and higher dimensionally structured monitored region, and propose a multi-dimensional wireless tomography scheme based on compressed sensing to estimate a spatial distribution of shadowing loss in the monitored region. In order to estimate the spatial distribution, we consider two compressed sensing frameworks: vector-based compressed sensing and tensor-based compressed sensing. When the shadowing loss has a high spatial correlation in the monitored region, the spatial distribution has a sparsity in its frequency domain. Existing wireless tomography schemes are based on the vector-based compressed sensing and estimates the distribution by utilizing the sparsity. On the other hand, the proposed scheme is based on the tensor-based compressed sensing, which estimates the distribution by utilizing its low-rank property. We reveal that the tensor-based compressed sensing has a potential for highly accurate estimation as compared with the vector-based compressed sensing.

研究动机与目标

• 为解决基于向量的压缩感知在多维无线断层扫描中的局限性，其依赖频域中的稀疏性，在相关环境可能导致次优重建。
• 探索基于张量的压缩感知——利用损耗场张量的低秩结构——在更高维监测区域中提升估计精度的潜力。
• 开发一种新型的多维无线断层扫描方案，通过更少的测量实现对内部障碍物的精确定位。
• 验证基于张量的恢复相较于基于向量的恢复在重建误差和不同噪声条件下的鲁棒性方面的优越性。

提出的方法

• 将无线断层扫描问题建模为一个高阶逆问题，其中阴影衰落损耗场被表示为阶数 D ≥ 2 的张量。
• 采用基于张量的压缩感知方法，利用高阶奇异值分解（HOSVD）以挖掘损耗场张量的低秩特性。
• 通过仅保留主导的HOSVD分量来重建损耗场张量，从而以最小的重建误差有效逼近真实张量。
• 将张量恢复方案与基于向量的压缩感知进行比较，后者将损耗场向量化并利用DFT域中的稀疏性。
• 采用基于边界上无线节点之间路径损耗的测量模型，形成线性系统 Y = A × X，其中 X 为损耗场张量。
• 采用秩约束优化方法，通过在低秩约束下最小化重构误差的Frobenius范数来估计张量。

实验结果

研究问题

• RQ1 基于张量的压缩感知能否在无线断层扫描中对多维阴影衰落损耗场的重建性能上优于基于向量的压缩感知？
• RQ2 与频域中的稀疏性相比，损耗场张量的低秩结构在估计精度方面有何影响？
• RQ3 噪声水平对基于张量与基于向量的恢复方案之间性能差距有何影响？
• RQ4 监测区域的维度如何影响所提出的基于张量的方法的重建精度？

主要发现

• 基于张量的压缩感知方法由于更有效地利用了损耗场的低秩结构，在低噪声环境中实现了比基于向量的方法更低的重建误差。
• 对于秩为1的二维损耗场，张量恢复方案的重建误差约为0.32，而基于向量的方法为2.92，显示出显著改进。
• 从张量恢复中估计出的奇异值与真实值高度吻合，σ₁ ≈ 30.00 与 σ̂₁ ≈ 29.68，表明低秩逼近具有高保真度。
• 在Frobenius范数误差方面，张量恢复方法优于向量恢复方法，κ(M) ≤ κ(V)，证实了低秩逼近相对于基于稀疏性的恢复具有理论优势。
• 仿真结果表明，即使测量次数减少，基于张量的方法仍能保持优越的精度，凸显其在数据稀缺场景下的高效性。