[论文解读] Precise Semidefinite Programming Formulation of Atomic Norm Minimization for Recovering d-Dimensional ($d\geq 2$) Off-the-Grid Frequencies

Weiyu Xu, Jian‐Feng Cai+3 more|arXiv (Cornell University)|Dec 2, 2013

Sparse and Compressive Sensing Techniques参考文献 13被引用 12

一句话总结

本文首次为多维（d ≥ 2）离网格压缩感知中的原子范数最小化问题提出了精确的半定规划（SDP）公式。通过利用平方和表示法与正三角多项式，该研究建立了一个等价的SDP，可保证从少量随机采样中精确恢复d维频谱稀疏信号，从而解决了多维频谱估计领域长期存在的开放性问题。

ABSTRACT

Recent research in off-the-grid compressed sensing (CS) has demonstrated that, under certain conditions, one can successfully recover a spectrally sparse signal from a few time-domain samples even though the dictionary is continuous. In particular, atomic norm minimization was proposed in \cite{tang2012csotg} to recover $1$-dimensional spectrally sparse signal. However, in spite of existing research efforts \cite{chi2013compressive}, it was still an open problem how to formulate an equivalent positive semidefinite program for atomic norm minimization in recovering signals with $d$-dimensional ($d\geq 2$) off-the-grid frequencies. In this paper, we settle this problem by proposing equivalent semidefinite programming formulations of atomic norm minimization to recover signals with $d$-dimensional ($d\geq 2$) off-the-grid frequencies.

研究动机与目标

• 解决d维（d ≥ 2）离网格频率恢复中原子范数最小化的精确半定规划公式化这一开放性问题。
• 克服先前启发式SDP在高维情况下无法保证与原子范数最小化等价的局限性。
• 将原子范数最小化的理论框架从此前仅适用于一维信号的范围，扩展至任意维度d ≥ 2。
• 提供一种计算可验证的机制，通过基于对偶性的检查程序，判断是否已达到最优原子范数。

提出的方法

• 利用正三角多项式表示法，将原子范数最小化问题公式化为一个原始半定规划。
• 将对偶问题表示为一个有限维正定矩阵变量Q₀的平方和（SOS）多项式。
• 采用分层提升方法，通过逐步增加次数（m₁, m₂, ..., m_d）来逼近原子范数，确保收敛至精确解。
• 采用基于对偶性的检查机制：若原始可行解的目标值与对偶目标值相等，则表明已达到最优原子范数。
• 应用对偶多项式方法，通过检查对偶多项式在何处达到模长为1，来识别真实的频率极点。
• 使用标准求解器（如SDPT3）求解所得SDP，其收敛性由正三角多项式理论保证。

实验结果

研究问题

• RQ1 能否为d维（d ≥ 2）离网格频率恢复中的原子范数最小化问题推导出精确的半定规划公式？
• RQ2 为何基于1D Carathéodory的Vandermonde分解方法无法推广至高维？
• RQ3 是否存在一种计算可验证的标准，用于确认在多维设置下原子范数已被最小化？
• RQ4 平方和表示法能否用于构建多维原子范数最小化的等价SDP？
• RQ5 如何确定最优次数向量（m₁, m₂, ..., m_d），以在避免过度参数化的情况下确保精确恢复？

主要发现

• 所提出的SDP公式在d维（d ≥ 2）离网格频率恢复中被严格证明与原子范数最小化等价，解决了长期存在的开放性问题。
• 该方法在标准分辨率条件下，可保证从最少数量的随机采样中精确恢复频谱稀疏信号。
• 在测试的2D情形中，当(n₁, n₂) = (12, 12)且s = 8个源时，次数向量(m₁, m₂) = (11, 11)已足够实现原子范数最小化的精确求解。
• 基于对偶性的检查机制成功验证了最优性，通过确认重构信号的原始目标值与对偶最优值相等。
• 使用SDPT3进行的数值模拟证实了成功的频率定位，对偶多项式在真实频率极点处恰好达到模长为1。
• 该框架可扩展至含噪声观测，支持任意信号维度d ≥ 2，且具有理论收敛保证。