[论文解读] Off-grid Variational Bayesian Inference of Line Spectral Estimation from One-bit Samples.

Jiang Zhu, Qi Zhang+1 more|arXiv (Cornell University)|Nov 14, 2018

Blind Source Separation Techniques参考文献 48被引用 4

一句话总结

本文提出 VALSE-EP，一种用于从一比特量化样本中进行非网格线谱估计的变分贝叶斯推断方法。通过将量化模型分解为最小均方误差（MMSE）模块和标准线性模型，该算法通过期望传播迭代优化频率估计，在具有挑战性的一比特场景下表现出优越性能，并可自然扩展至多测量向量（MMV）。

ABSTRACT

In this paper, the line spectral estimation (LSE) problem is studied from one-bit quantized samples where variational line spectral estimation (VALSE) combined expectation propagation (EP) VALSE-EP method is proposed. Since the original measurements are heavily quantized, performing the off-grid frequency estimation is very challenging. Referring to the expectation propagation (EP) principle, this quantized model is decomposed as two modules, one is the componentwise minimum mean square error (MMSE) module, the other is the standard linear model where the variational line spectrum estimation (VALSE) algorithm can be performed. The VALSE-EP algorithm iterates between the two modules in a turbo manner. In addition, this algorithm can be easily extended to solve the LSE with the multiple measurement vectors (MMVs). Finally, numerical results demonstrate the effectiveness of the proposed VALSE-EP method.

研究动机与目标

• 解决测量被严重量化至一比特时的非网格频率估计挑战。
• 开发一种鲁棒的推断框架，即使在极端量化损失下仍能保持高精度。
• 将该方法扩展至处理多测量向量（MMV），以提升谱估计性能。
• 利用变分贝叶斯推断与期望传播，实现高效、迭代的频率估计。

提出的方法

• VALSE-EP 算法将一比特量化模型分解为两个模块：逐元素 MMSE 模块与标准线性模型。
• 采用期望传播（EP）在两个模块之间以类似 Turbo 的方式迭代更新后验近似。
• 在线性模型模块中应用变分线谱估计（VALSE）算法以估计线谱。
• 通过在 MMSE 近似更新与基于变分推断的谱估计优化之间交替进行，实现算法迭代。
• 通过泛化线性模型组件，可自然将该框架扩展至多测量向量（MMV）。
• 通过两个模型组件之间的迭代消息传递，确保算法收敛。

实验结果

研究问题

• RQ1 如何从一比特量化样本中实现高精度的非网格频率估计？
• RQ2 变分贝叶斯推断能否有效处理一比特采样中非高斯且高度量化的似然函数？
• RQ3 在极端量化条件下，VALSE-EP 方法与现有方法相比，在谱分辨率和鲁棒性方面表现如何？
• RQ4 所提出的框架能否在最小修改下扩展至多测量向量（MMV）？

主要发现

• VALSE-EP 方法即使在仅一比特量化条件下，也能实现高分辨率线谱估计，且在具有挑战性的条件下优于传统方法。
• MMSE 模块与线性模型模块之间基于 EP 的迭代优化显著提升了估计精度与收敛稳定性。
• 该方法在传统基于网格的方法失效的非网格场景中表现出优异的鲁棒性。
• 该框架可自然扩展至多测量向量（MMV），实现高效的联合谱估计。