[论文解读] Spatially Distributed Sampling and Reconstruction

Cheng Cheng, Yingchun Jiang+1 more|arXiv (Cornell University)|Nov 27, 2015

Sparse and Compressive Sensing Techniques参考文献 50被引用 7

一句话总结

该论文提出了一种基于图框架的分布式采样与重构系统（DSRS），用于建模代理间交互与信号创新。该框架基于重叠子系统建立稳定性准则，证明了若所有子系统均一致稳定，则全局稳定性成立，并提出一种指数收敛的分布式算法，在有界噪声下实现次优信号重构。

ABSTRACT

A spatially distributed system contains a large amount of agents with limited sensing, data processing, and communication capabilities. Recent technological advances have opened up possibilities to deploy spatially distributed systems for signal sampling and reconstruction. In this paper, we introduce a graph structure for a distributed sampling and reconstruction system by coupling agents in a spatially distributed system with innovative positions of signals. A fundamental problem in sampling theory is the robustness of signal reconstruction in the presence of sampling noises. For a distributed sampling and reconstruction system, the robustness could be reduced to the stability of its sensing matrix. In a traditional centralized sampling and reconstruction system, the stability of the sensing matrix could be verified by its central processor, but the above procedure is infeasible in a distributed sampling and reconstruction system as it is decentralized. In this paper, we split a distributed sampling and reconstruction system into a family of overlapping smaller subsystems, and we show that the stability of the sensing matrix holds if and only if its quasi-restrictions to those subsystems have uniform stability. This new stability criterion could be pivotal for the design of a robust distributed sampling and reconstruction system against supplement, replacement and impairment of agents, as we only need to check the uniform stability of affected subsystems. In this paper, we also propose an exponentially convergent distributed algorithm for signal reconstruction, that provides a suboptimal approximation to the original signal in the presence of bounded sampling noises.

研究动机与目标

• 解决在集中式处理不可行的去中心化空间分布系统（SDS）中实现鲁棒信号重构的挑战。
• 为不依赖于矩阵全局知识的分布式系统中的传感矩阵建立稳定性准则。
• 设计一种分布式算法，即使在有界采样噪声下，也能指数收敛至原始信号的次优近似。
• 通过一种新颖的图表示方法建模信号结构，将创新位置与锚定代理关联，实现局部化信号处理。
• 通过仅在受影响的局部子系统上验证稳定性，确保系统在代理替换或故障情况下的鲁棒性。

提出的方法

• 将分布式系统建模为图 H = (G ∪ V, S ∪ T ∪ T*)，其中 G 表示代理，V 表示创新信号位置，T 编码代理与信号的关联关系。
• 定义传感矩阵 S = (⟨φi, ψλ⟩)λ∈G,i∈V，由代理本地存储，且具有多项式衰减的非对角线项。
• 引入稳定性准则：S 的全局稳定性成立当且仅当其在重叠子系统上的准限制均一致稳定。
• 通过局部投影与基于 R_N 的迭代更新构建分布式算法，确保指数收敛至次优解。
• 利用局部矩阵分析与反封闭子代数控制误差项，并证明收敛速率。
• 应用图范数与 Beurling 维数量化衰减与稳定性，利用 Jα(G,V) 范数进行矩阵分析。

实验结果

研究问题

• RQ1 是否可以在不访问传感矩阵全局信息的情况下验证分布式采样系统中传感矩阵的稳定性？
• RQ2 如何在去中心化系统中使信号重构对代理故障或替换具有鲁棒性？
• RQ3 何种分布式算法可确保在有界噪声下指数收敛至次优信号近似？
• RQ4 将代理与信号创新关联的图结构如何影响重构性能？
• RQ5 在何种条件下，局部子系统稳定性可保证分布式系统中的全局稳定性？

主要发现

• 分布式系统中传感矩阵的稳定性等价于其在重叠子系统上的准限制的一致稳定性，从而实现局部验证。
• 所提出的分布式算法指数收敛至原始信号的次优近似，收敛速率由 r₁ < 1 限定。
• 最小二乘解与分布式近似之间的误差以 O((N+1)^{-α+d}) 的速率衰减，其中 N ≥ 1 且 α > d。
• 算法实现指数收敛，其速率常数 r₁ = O((N+1)^{-α+d}) 依赖于衰减参数 α 与维度 d。
• 误差界通过局部矩阵范数与 Beurling 维数推导得出，确保在有界采样噪声下的鲁棒性。
• 该方法实现系统鲁棒性：代理替换或故障后，仅需重新检查受影响的局部子系统。