[论文解读] Spectral Compressive Sensing with Polar Interpolation

Karsten Fyhn, Hamid Dadkhahi+1 more|arXiv (Cornell University)|Jan 1, 2013

Sparse and Compressive Sensing Techniques参考文献 15被引用 5

一句话总结

本文提出一种基于极坐标插值与带宽排除函数的贪心压缩感知算法，用于对频率稀疏信号进行光谱估计，以克服现有方法在相干性和离散化方面的局限性。通过利用连续频域模型并在圆流形上进行插值，该方法在频率估计精度和抗噪能力方面优于当前最先进方法，尤其在噪声环境下表现更优。

ABSTRACT

Existing approaches to compressive sensing of frequency-sparse signals focuses on signal recovery rather than spectral estimation. Furthermore, the recovery performance is limited by the coherence of the required sparsity dictionaries and by the discretization of the frequency parameter space. In this paper, we introduce a greedy recovery algorithm that leverages a band-exclusion function and a polar interpolation function to address these two issues in spectral compressive sensing. Our algorithm is geared towards line spectral estimation from compressive measurements and outperforms most existing approaches in fidelity and tolerance to noise.

研究动机与目标

• 解决传统压缩感知在光谱估计中的局限性，特别是连续频率参数空间离散化的问题。
• 克服基于DFT字典的高相干性问题，该问题会降低频率稀疏信号重建的恢复性能。
• 通过引入在正弦信号流形上操作的插值技术，提升光谱估计的保真度。
• 开发一种融合极坐标插值与带宽排除的贪心恢复算法，以增强频率分辨率和抗噪鲁棒性。
• 与凸松弛和基追踪方法相比，实现计算复杂度更低的高精度频率估计。

提出的方法

• 引入一种极坐标插值函数，将频率稀疏信号建模为复平面上的圆周，实现连续参数估计。
• 使用带宽排除函数，迭代移除与信号流形不一致的分量，提升收敛性并减少误报。
• 制定一种贪心恢复算法，通过在插值流形模型下交替进行信号重构与频率精化。
• 应用匈牙利算法将估计频率与真实频率匹配，实现精确的性能评估。
• 在非插值方法（如ℓ₁-合成）重构的信号上集成MUSIC算法，以实现公平的性能比较。
• 采用冗余因子c=5（Δ=0.2 Hz）的DFT框架作为稀疏性字典，同时避免严格正交性，以支持连续建模。

实验结果

研究问题

• RQ1 极坐标插值能否在压缩感知中实现超越离散字典方法的频率估计精度？
• RQ2 所提方法如何缓解基于DFT字典的高相干性导致的性能下降问题？
• RQ3 带宽排除与插值的结合在多大程度上提升了对测量噪声的鲁棒性？
• RQ4 与SDP和BOMP等最先进算法相比，该方法在估计精度与计算复杂度之间存在何种权衡？
• RQ5 具有连续插值的贪心算法能否在光谱估计任务中超越凸松弛方法？

主要发现

• 在无噪声情况下，所提出的BISP与CBP算法收敛至由近似误差决定的固定估计精度，而SDP性能最佳但计算成本极高。
• 在噪声环境下，基于极坐标插值的算法（BISP与CBP）显著优于非插值方法（如ℓ₁-合成与SIHT），因其对非稀疏测量的敏感性更低。
• BISP算法在精度与速度之间达到最佳平衡，噪声环境下平均计算时间为1.4060秒，优于SDP（9.9796秒）与CBP（40.3477秒）。
• 尽管ℓ₁-合成与ℓ₁-分析方法能实现精确的信号重构，但其频率估计性能较差，原因在于DFT系数非稀疏，仅通过MUSIC后处理可部分缓解此问题。
• BOMP与SIHT在所有方法中表现最差，尤其在噪声环境中，原因在于其依赖离散稀疏性且缺乏插值机制。
• 所提方法在保持高精度的同时显著降低计算复杂度，相较于SDP更具实用性，适用于实时或资源受限的应用场景。