[论文解读] Sparsity in time-frequency representations

Götz E. Pfander, Holger Rauhut|ArXiv.org|Nov 15, 2007

Sparse and Compressive Sensing Techniques参考文献 29被引用 5

一句话总结

该论文证明，当使用随机单模高斯窗时，有限维信号中的稀疏时频表示可通过基追踪以高概率恢复。关键结果表明，若 $ S \leq Cn / \log n $，则 $ \mathbb{C}^n $ 中的 $ S $-稀疏信号可从 $ n $ 个测量值中恢复，使高斯测量矩阵在压缩感知和无线通信中的算子识别中具有有效性。

ABSTRACT

We consider signals and operators in finite dimension which have sparse time-frequency representations. As main result we show that an $S$-sparse Gabor representation in $\mathbb{C}^n$ with respect to a random unimodular window can be recovered by Basis Pursuit with high probability provided that $S\leq Cn/\log(n)$. Our results are applicable to the channel estimation problem in wireless communications and they establish the usefulness of a class of measurement matrices for compressive sensing.

研究动机与目标

• 建立有限维信号中稀疏时频表示在少量测量下可恢复的条件。
• 展示具有随机单模窗的高斯系统作为压缩感知测量矩阵的有效性。
• 证明当 $ S \leq Cn / \log n $ 时，基追踪可高概率恢复高斯字典中的 $ S $-稀疏信号。
• 将结果应用于无线通信中的算子识别与信道估计，其中算子在时频移位基下是稀疏的。
• 分析高斯合成矩阵的结构，以利用快速傅里叶变换实现高效计算。

提出的方法

• 使用基追踪（即 $ \ell_1 $-最小化）通过具有随机单模窗 $ g \in \mathbb{C}^n $ 的高斯系统从线性测量中恢复 $ S $-稀疏信号。
• 分析高斯合成矩阵 $ \Psi_g \in \mathbb{C}^{n \times n^2} $，其列是时频移 $ \pi(\lambda)g $，并将行视为测量向量。
• 基于测度集中与指数尾部界的概率论论证，控制 $ \Psi_g $ 的相干性与限制等距性质。
• 通过几何级数求和与涉及 $ G_{2tL_t}(z) $ 的二项式型表达式的尾部估计，推导失败概率的界，其中 $ z = n/S $。
• 应用链式论证并优化参数 $ \alpha, \beta, \kappa $，以平衡概率界中的两个主导误差项。
• 利用 $ \Psi_g $ 可通过 FFT 实现快速矩阵-向量乘法的事实，从而实现 $ \ell_1 $-最小化的高效实现。

实验结果

研究问题

• RQ1 能否以高概率通过基追踪从 $ n $ 个测量值中恢复在高斯字典中具有稀疏表示的 $ S $-稀疏信号？
• RQ2 使用随机单模高斯窗时，恢复可能的最高稀疏度 $ S $ 是多少？
• RQ3 在稀疏性-精度权衡方面，基于高斯的测量矩阵与经典随机矩阵（如高斯、伯努利）相比表现如何？
• RQ4 随机单模窗的高斯系统能否作为压缩感知中具有可证明恢复保证的测量矩阵使用？
• RQ5 在多大程度上可利用高斯矩阵的结构以实现高效的恢复算法？

主要发现

• 当 $ S \leq Cn / \log n $ 时，相对于随机单模高斯窗，$ \mathbb{C}^n $ 中的 $ S $-稀疏信号可通过基追踪以高概率恢复。
• 当 $ n \geq C S \log(n / \varepsilon) $ 时，恢复概率至少为 $ 1 - \varepsilon $，其中 $ C $ 为绝对常数。
• 由随机单模窗导出的高斯测量矩阵 $ \Psi_g $ 实现了与高斯和伯努利矩阵相当的恢复性能，同时具备结构化且适合 FFT 计算的特性。
• 分析表明，失败概率随 $ n $ 指数衰减，所需测量数为 $ O(S \log n) $，与其它随机矩阵的已知界一致。
• 该结果适用于算子识别：稀疏算子 $ \Gamma = \sum x_\lambda \pi(\lambda) $ 可通过单个输入-输出对 $ (g, \Gamma g) $ 以基追踪恢复。
• 数值验证表明，当 $ \beta = 0.47 $ 时，失败概率小于 $ \varepsilon/2 $，且方法确保 $ a \leq 0.957 $，支持其实际可行性。