[论文解读] Sensor Calibration for Off-the-Grid Spectral Estimation

Yonina C. Eldar, Wenjing Liao+1 more|arXiv (Cornell University)|Jul 11, 2017

Sparse and Compressive Sensing Techniques参考文献 21被引用 5

一句话总结

该论文提出了一种新颖的优化框架，用于在具有未知校准参数的均匀阵列中联合进行谱估计与传感器校准，采用非凸、连续可微目标函数的Wirtinger梯度下降法。证明了算法收敛至临界点，并表明在无噪声、无限快照条件下，仅当解等价时目标函数才消失，从而能够准确恢复频率和校准参数。

ABSTRACT

This paper studies sensor calibration in spectral estimation where the true frequencies are located on a continuous domain. We consider a uniform array of sensors that collects measurements whose spectrum is composed of a finite number of frequencies, where each sensor has an unknown calibration parameter. Our goal is to recover the spectrum and the calibration parameters simultaneously from multiple snapshots of the measurements. In the noiseless case with an infinite number of snapshots, we prove uniqueness of this problem up to certain trivial, inevitable ambiguities based on an algebraic method, as long as there are more sensors than frequencies. We then analyze the sensitivity of this algebraic technique with respect to the number of snapshots and noise. We next propose an optimization approach that makes full use of the measurements by minimizing a non-convex objective which is non-negative and continuously differentiable over all calibration parameters and Toeplitz matrices. We prove that, in the case of infinite snapshots and noiseless measurements, the objective vanishes only at equivalent solutions to the true calibration parameters and the measurement covariance matrix. The objective is minimized using Wirtinger gradient descent which is proven to converge to a critical point. We show empirically that this critical point provides a good approximation of the true calibration parameters and the underlying frequencies.

研究动机与目标

• 为解决在谱估计中同时恢复连续域频率与未知传感器校准参数的挑战。
• 在无噪声、无限快照条件下，建立校准-谱估计问题的唯一性。
• 开发一种稳定、基于优化的方法，充分利用多快照测量数据，实现联合校准与谱估计。
• 分析对噪声和有限快照的敏感性，优于现有的代数方法与交替方法。
• 为应用于非凸优化问题的Wirtinger梯度下降算法提供理论收敛保证。

提出的方法

• 将问题表述为在校准参数和托普利茨协方差矩阵上最小化一个非凸、非负、连续可微的目标函数。
• 采用Wirtinger梯度下降算法最小化目标函数，并在梯度满足Lipschitz连续性条件下证明其收敛至临界点。
• 引入一种带范数约束的邻域 $\mathcal{N}_{\widehat{n}_0}$ 的约束优化框架，以确保迭代点有界且行为良好。
• 利用包含对角校准矩阵与托普利茨结构的矩阵分解来建模测量协方差。
• 通过微积分基本定理与Lipschitz连续性推导出一种类似李雅普诺夫的不等式，以证明下降性与收敛性。
• 证明在无噪声、无限快照情况下，仅当解与真实校准参数和协方差矩阵等价时，目标函数才消失。

实验结果

研究问题

• RQ1 在何种条件下，均匀传感器阵列中频率与校准参数的联合恢复是唯一可识别的？
• RQ2 所提出的优化方法在存在噪声和有限快照时，其收敛性与稳定性表现如何？
• RQ3 非凸优化方法是否能充分利用多快照测量数据，从而优于现有的代数方法或交替方法？
• RQ4 Wirtinger梯度下降在该非凸、复值优化设置下的理论收敛行为如何？
• RQ5 所提出的方法与以往的代数方法和交替算法相比，在相位折叠与噪声敏感性方面表现如何？

主要发现

• 在无噪声、无限快照条件下，当传感器数量超过频率数量时，联合校准与谱估计问题在平凡模糊性范围内具有唯一可识别性。
• 在无噪声、无限快照情况下，所提出的优化目标函数仅在与真实校准参数和测量协方差矩阵等价的解处消失。
• Wirtinger梯度下降收敛至非凸目标函数的临界点，确保了算法的稳定性。
• 该方法在实验中表现出鲁棒性，即使在存在噪声和有限快照的情况下，也能良好逼近真实的校准参数与潜在频率。
• 算法在范数约束邻域 $\mathcal{N}_{\widehat{n}_0}$ 内保持迭代点有界，确保了数值稳定性。
• 理论分析证实梯度具有Lipschitz连续性，从而可通过标准下降分析获得收敛保证。