基于凸优化稀疏带限信号高效采样方法.docVIP

基于凸优化稀疏带限信号高效采样方法 　　摘要：在信号复原领域，以奈奎斯特采样率为基准的采样方法往往并不高效。这种状况通常发生在信号本身相对于带宽仅包含有限频率的时候[1]。近年来一些新的采样系统应运而生。本文介绍了一种新的高效采样系统――随机调制系统[2]。该系统比奈奎斯特采样系统更有效，仅需要非常少的样本来复原信号。但这种系统的解法一般采样贪婪算法，该算法无法获取更高的重构精度和更少的采样。为了解决这个问题，本文提出了一种基于凸优化的复原算法――对偶内点算法。实验证明，本文的对偶内点算法不但比贪婪算法更高效，同时在复原信号上也更为精确。 　　关键词：压缩感知 信号复原 稀疏估计 对偶内点法 正交匹配追踪 　　1 概述 　　众所周知，香农采样理论被广泛用于信号重构。然而，当处理稀疏带限信号时（比如传感器采集的信号，精确追踪定位信号等），该采样方式将会十分低效。 　　为了解决这个问题，我们引入了一种新的采样方法，名为随机调制系统。我们定义K为离散的频率数，W为带宽，那么按照本文的算法，每秒仅用O（Klog（W/K））次即可重构出信号。这种采样方式远远高于奈奎斯特的W hz/s。 　　该随机调制系统包含三个部分：解调，低通滤波与低速率采样。首先，我们对输入的连续时间信号与随机数发生器做线性乘积。然后，我们用低通滤波器来处理伪影。最后，滤波后的信号将按照1/R每秒的速率进行采样。 　　事实上，随机调制系统本质是一个线性系统，他可以把连续信号映射为离散信号。重构信号的核心问题是解决一个L0泛数问题。尽管L0问题是NP-困难的，我们可以把它转化为L1泛数问题。该问题可由迭代加权最小方差[3]，对偶内点法[4]或正交匹配追踪法[5]来解。 　　本文将建立随机调制系统的线性模型。之后我们将分别比较对偶内点法（PDIP），简化的对偶内点法（SPDIP），不稳定路径追踪法（SDPT3）和正交匹配追踪法（OMP）。 　　2 系统设计[2] 　　2.1 信号的属性 　　本文仅考虑具备如下三条属性的信号： 　　①带限信号：最大频率有整数边界。 　　②频率域稀疏：和带限信号比，我们希望非零元素数量要很少。 　　③周期性：该信号必须在时域是周期的。这样的话，我们可以做傅里叶级数延展。 　　2.2 随机解调器结构图 　　图2.1 随机解调器结构图 　　如图1中所示，随机数发生器等同于ADC按同等的概率随机产生+1或-1的值。 　　其输出结果为： 　　在此之后，连续信号f（t）将会与该随机数产生器线性相乘： 　　该系统的最后两个模块为积分器和采样器，作用相当于ADC和低通滤波器。 　　这里m范围如下： 　　低通滤波器的本质是一个累加器，它会把调制后的信号按1/r秒的间隔相加。这里Ym序列将会作为输出。值得注意的是本系统的采样率R远远小于奈奎斯特采样率W。 　　3 解调器的矩阵模型 　　在理想的情况下，随机调制系统是线性的。 　　3.1 平均信号xn与它的矩阵表达式 　　为了构建这个线性系统，我们首先定义在1/W秒内的平均信号： 　　根据连续时间域的傅里叶级数，f（t）可以表示如下： 　　这里， 　　平均信号xn表示如下： 　　设： 　　则： 　　设尺寸为W*W的离散傅里叶变换矩阵F为： 　　那么，离散的平均信号可以被如下线性表达式表示： 　　3.2 解调器的矩阵表达式 　　我们首先考虑作用在f（t）上的随机解调器，它其实是一个具有W元素的对角矩阵： 　　我们假设采样率为R，同时W可被R整除。之后，积分器作用在于yn，它是W/R个连续被调制信号的和。因此积分器表达式相当于H，定义如下： 　　比如当W=8，R=2时。H表达式为： 　　最终，解调器的线性模型如下： 　　3.3 L1范数凸优化问题陈述 　　从之前的章节，我们已经获得了调制系统的表达式。那么之后的问题就是从y=As中估计出稀疏的s。恢复信号s的问题可以转化如下： 　　这里L0范数即统计出向量中的非零元素的个数。这个问题是NP困难的。解决这个问题有两类方法。包括凸松弛法即采用L1范数来替代L0范数： 　　该问题可由内点法来解。 　　对于非凸方法，贪婪算法比如正交投影追踪法（OMP）可以解决此类问题。 　　3.4 信号重构 　　当所有基调信号被准确估计后，信号复原算法如下： 　　因为在仿真中，我们采用的是离散信号，所以其离散复原算法如下： 　　最终f（t）信号被复原如下： 　　3.5 复原定理 　　定理1（随机信号复原定理）： 假定采样率为： 　　同时，R整除W，C为正数。y=As是从调制器采集到的信息。那么信号估测值■与信号值s不相等的概率仅为O（W-1）。证明请见[2]。 　　4 L1范数最小化问题 　　本章节，我们重点讨论如何用凸优化中的内点法解决L1范数问题。 　　4.1 线性规划 　　我们需要