[论文解读] Parameter estimation of monomial-exponential sums

Luisa Fermo, C. V. M. van der Mee+1 more|arXiv (Cornell University)|Oct 26, 2013

Matrix Theory and Algorithms参考文献 25被引用 7

一句话总结

本文提出了一种基于矩阵束的数值方法，用于在存在噪声或精确采样数据的情况下，估计单项式-指数和中的参数和系数——这是带有多项式系数的指数和的推广。该方法利用广义奇异值分解和卡索拉蒂线性系统求解广义特征值问题，即使在项数被高估时也能实现高精度恢复，在无噪声和有噪声场景下均表现出色。

ABSTRACT

We propose a numerical method, based upon matrix-pencils, for the identification of parameters and coefficients of a monomial-exponential sum. We note that this method can be considered an extension of the numerical methods for the parameter estimation of exponential sums. The application of the method is applied to several examples, some already present in the literature and others, to our knowledge, never considered before.

研究动机与目标

• 开发一种鲁棒的数值方法，用于识别单项式-指数和中的参数和系数，该类函数通过引入多项式因子推广了标准指数和。
• 将现有的矩阵束方法和Prony类方法扩展至处理更具复杂性的单项式-指数和结构，特别是包含多重根和多项式项的情形。
• 确保在总项数 $ M $ 未知但仅知其上界 $ \widehat{M} $ 的情况下，仍能实现高精度的参数估计。
• 在存在噪声的情况下保持高精度，通过在合成数据上进行大量数值实验予以验证。
• 提供一个统一的计算框架，集成广义特征值求解器与最小二乘线性系统，用于参数与系数的恢复。

提出的方法

• 将单项式-指数和重写为 $ z_j = e^{f_j} $ 的幂和形式，将非线性参数估计问题转化为线性代数问题。
• 从 $ 2N $ 个采样数据点构造两个方阵Hankel矩阵 $ \mathbf{H}_{NN}^{k_0} $ 和 $ \mathbf{H}_{NN}^{k_0+1} $，以利用平移不变性特性。
• 由Hankel矩阵构成矩阵束，并使用广义奇异值分解（GSVD）计算其广义特征值，从而获得 $ f_j $ 参数。
• 通过在最小二乘意义下求解包含卡索拉蒂矩阵的超定线性系统，恢复系数 $ c_{js} $。
• 利用广义特征值结构识别项数 $ n $、其重数 $ m_j $ 以及复参数 $ f_j $，即使 $ M $ 被高估也能实现。
• 将该方法应用于无噪声和有噪声的数据，通过在不同噪声水平和数据量下的测试验证其鲁棒性。

实验结果

研究问题

• RQ1 能否有效将矩阵束方法扩展至估计包含多项式系数的指数和中的参数？
• RQ2 当总项数 $ M $ 被高估时，所提出方法在恢复参数和系数方面的精度如何？
• RQ3 在中等噪声水平下，该方法的性能表现如何，特别是在噪声条件下的稳定性？
• RQ4 与现有Prony类方法和矩阵束技术相比，该方法在计算效率和精度方面对于此类广义函数类的表现如何？
• RQ5 当Prony多项式的重根（即重复的 $ f_j $）存在但其重数未知时，该方法能否可靠识别？

主要发现

• 在无噪声情况下，当 $ M $ 精确已知时，参数估计的相对误差可低至 $ 1.02 \times 10^{-10} $，表现出极高精度。
• 即使在 $ 10^{-9} $ 的噪声水平下，方法仍保持可接受的精度，当 $ N=16 $ 时，$ e(\mathbf{f}) \leq 8.14 \times 10^{-8} $ 且 $ e(\mathbf{c}) \leq 1.01 \times 10^{-6} $，验证了其鲁棒性。
• 当 $ M $ 未知且被高估（如 $ \widehat{M}=7 $ 而实际 $ M=4 $）时，方法仍能以高精度恢复参数，$ N=8 $ 时 $ e(\mathbf{f}) \approx 1.33 \times 10^{-11} $，表明其对项数估计误差具有强容忍性。
• 在多重束缚态情形（如 $ m_1=2 $）下，误差略有上升但仍可靠，$ N=8 $ 时 $ e(\mathbf{f}) \approx 1.49 \times 10^{-6} $，表明其具有实际可行性。
• 该方法在不同数据量 $ N $ 下表现良好，误差随 $ N $ 增大而减小，即使在有噪声条件下也表现出良好的可扩展性和稳定性。
• 当某些 $ f_j $ 参数对应Prony多项式的多重根时，方法依然有效，表明其对解空间退化具有强鲁棒性。