다중채널 압축센싱(multi-channel compressive sensing) 문제는 0이 아닌 성분이 공통된 위치에 분포하는 벡터들을 복원하는 방법을 다루는 문제이며 레이다의 도착방향 추정 문제, 역산란 문제, 산란광 단층촬영과 같은 많은 실용적인 문제에 응용될 수 있다. 압축 센싱 문제는 성긴(sparse) 속성을 갖는 벡터를 상당히 높은 확률로 복원시킬 수 있음이 밝혀져 있다. 이로 인해 기존의 압축 센싱 방법이 다중채널 압축센싱에서도 많이 활용되어 왔으며, 측정 벡터의 개수가 적을 때에도 높은 확률로 입력 신호를 복원할 수 있다. 그러나, 측정 벡터의 개수가 많아질수록, 기존의 압축센싱 알고리즘을 이용했을 때의 성능은 복수신호분리 (MUSIC) 알고리즘과 같이 배열신호처리(array signal processing)에서 활용되는 방법을 적용했을 때보다 더 나쁜 특성을 보인다. 이러한 기존 방법의 문제점으로 인해 우리는 새로운 다중채널 압축센싱 알고리즘을 제시하고자 하며, 이는 기존의 압축센싱 이론과 배열 신호처리 알고리즘을 개별적으로 적용할 때 가지는 한계를 극복할 수 있게 해준다.
다중채널 압축센싱(multi-channel compressive sensing) 문제는 0이 아닌 성분이 공통된 위치에 분포하는 벡터들을 복원하는 방법을 다루는 문제이며 레이다의 도착방향 추정 문제, 역산란 문제, 산란광 단층촬영과 같은 많은 실용적인 문제에 응용될 수 있다. 압축 센싱 문제는 성긴(sparse) 속성을 갖는 벡터를 상당히 높은 확률로 복원시킬 수 있음이 밝혀져 있다. 이로 인해 기존의 압축 센싱 방법이 다중채널 압축센싱에서도 많이 활용되어 왔으며, 측정 벡터의 개수가 적을 때에도 높은 확률로 입력 신호를 복원할 수 있다. 그러나, 측정 벡터의 개수가 많아질수록, 기존의 압축센싱 알고리즘을 이용했을 때의 성능은 복수신호분리 (MUSIC) 알고리즘과 같이 배열신호처리(array signal processing)에서 활용되는 방법을 적용했을 때보다 더 나쁜 특성을 보인다. 이러한 기존 방법의 문제점으로 인해 우리는 새로운 다중채널 압축센싱 알고리즘을 제시하고자 하며, 이는 기존의 압축센싱 이론과 배열 신호처리 알고리즘을 개별적으로 적용할 때 가지는 한계를 극복할 수 있게 해준다.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러므로 이 논문에서는 위와 같은 목적으로 개발된 “compressive MUSIC" 알고리즘을 소개하고자하며, 이 알고리즘을 통해 기존의 압축센싱 알고리즘 혹은 배열 신호처리 알고리즘을 다중채널 압축센싱 문제에 적용할 때 생기는 문제점을 극복할 수 있다.
(帀) 그 외의 모든 경우에 대해서는 기존의 알고리즘보다 더 나은 성능을 제공할 수 있는 알고리즘을 개발하고자 한다.
이로 인해 기존의 압축 센싱 방법이 다중채널압축센싱에서도 많이 활용되어 왔으며, 측정 벡터의 개수가 적을 때에도 높은 확률로 입력 신호를 복원할 수 있다. 그러나, 측정 벡터의 개수가 많아질수록 기존의 압축센싱알고리즘을 이용했을 때의 성능은 복수신호분리(MU&C) 알고리즘과 같이 배열신호처리(array signal processing) 에서 활용되는 방법을 적용했을 때보다 더 나쁜 특성을 보인다 이러한 기존 방법의 문제점으로 인해 우리는 새로운 다중채널 압축센싱 알고리즘을 제시하고자 하며, 이는 기존의 압축센싱 이론과 배열 신호처리 알고리즘을 개별적으로 적용할 때 가지는 한계를 극복할 수 있게 해준다.
가설 설정
보조정리 2에서와 같은 조건을 가정하자 이 경우 k-r 개의 원소로 이루어진 suppX의 임의의 부분집합 이주어져 있다고 가정하자. 이때 모든 {I, --, n}\4-r 에 대해 je SuppX가 될 필요충분조건은
일차독립인 측정벡터「개가 행렬 를 통해주어져 있다고 가정하고, 입력 신호의 행렬 X5*은 ||X||0 =, r을 만족하며 r < m이라고 가정하자. 추가로 센싱 행렬 /의 행들이 일반위치에 존재한다고 가정하자 이러한 조건을 만족하는 경우 모든 诈 {I, --, m) 에 대해 j가 suppX에 속할 필요충분조건은
제안 방법
1. suppX에 속하는 A: —r 가(의 인덱스들을 thresholding 이나 혹은 S-OMP와 같은 기존의 압축센싱 알고리즘을 통해 구한다.
압축 MUSIC 알고리즘은 k—r.개의 support 내에 있는 인덱스를 기존의 압축센싱 알고리즘으로 추정하였고, 나머지 r개의 인덱스를 일반화된 MUSIC 판정기준에 따라서 추정하였다. 이 논문에서는 이에 따른 이론적인 분석과 수치적 실험결과를 제시하였으며 이를 통해 압축 MUSIC 알고리즘이 r0| support의 개수 ArOfl 근접하면서 1° 한계치에 근접함을 살펴볼 수 있었으며, ?.
실험결과를 제시하고자 한다. 새로운 압축 MUSIC의 알고리즘을 기존의 압축센싱 알고리즘과 비교하였으며 특히 thersholding이나 S-OMP과의 비교작업을 수행하였다. 기존의 MUSIC 알고리즘은 r < k인 경우에는 압축센싱 알고리즘에 비해 복원확률이 낮으므로 여기서는 비교하지 않았다.
개의 support 내에 있는 인덱스를 기존의 압축센싱 알고리즘으로 추정하였고, 나머지 r개의 인덱스를 일반화된 MUSIC 판정기준에 따라서 추정하였다. 이 논문에서는 이에 따른 이론적인 분석과 수치적 실험결과를 제시하였으며 이를 통해 압축 MUSIC 알고리즘이 r0| support의 개수 ArOfl 근접하면서 1° 한계치에 근접함을 살펴볼 수 있었으며, ?.이 1에 가까워지는 경우에는 기존의 압축센싱 알고리즘의 성능에 근접함을 살펴볼 수 있었다.
데이터처리
기존의 MUSIC 알고리즘은 r < k인 경우에는 압축센싱 알고리즘에 비해 복원확률이 낮으므로 여기서는 비교하지 않았다. 실험 과정에서는 추정된 인덱스가 실제 X의 support와 일치할 경우를 성공으로 간주하였으며, 성공률은 5000회의 실험을 평균하여 계산하였다. 실험에 사용된 매개변수들은 다음과 같이 주어졌다 : m = 30, n = 100, 如三 {I, .
성능/효과
성능과 같다. 7.의 값을 8로 증가시킬 경우, <그림 1) 은 압축 MUSIC의 성능이 기존의 압축센싱 알고리즘보다 좋음을 보여주고 있다.「의 값이 16으로 증가될 경우<그림 2>는 압축 MUSC의 성능은 확률적인 양상보다는 결정론적인 양상을 보여주고 있으며, 기존의 압축센싱 알고리즘과는 다르게 1° 한계치에도 비교적 가까워지는 모습을 보여주고 있다.
다중측정벡터 문제가 제기된 이래로 평균적인 경우에 대한 분석囘 정보이론 관점으로의 분석⑼ 등이 다중체널 압축센싱 문제에 적용되었고 이를 통해 측정 벡터의개수가 증가할수록 성능이 향상됨이 밝혀졌다. 그러나, 기존의 압축센싱 알고리즘을 다중측정 벡터문제에 적용한 결과는 대체로 만족스럽지 못하며, 잡음이 없는 경우에도 결과 (2)와 비교할 때 상당한 성능의 차이를 보이고 있다.
조건 (2)는 최근의 연구결과 R] 에 의하면 X가 (1)의 유일한 해가 되기 위한 필요조건이기도 하다. 다중측정벡터 문제가 제기된 이래로 평균적인 경우에 대한 분석囘 정보이론 관점으로의 분석⑼ 등이 다중체널 압축센싱 문제에 적용되었고 이를 통해 측정 벡터의개수가 증가할수록 성능이 향상됨이 밝혀졌다. 그러나, 기존의 압축센싱 알고리즘을 다중측정 벡터문제에 적용한 결과는 대체로 만족스럽지 못하며, 잡음이 없는 경우에도 결과 (2)와 비교할 때 상당한 성능의 차이를 보이고 있다.
이 논문에서 우리는 압축 MUSIC 알고리즘을 제시하였으며 이는 기존의 알고리즘들보다 상당히 높은 성능을 보여줌을 확인하였다. 압축 MUSIC 알고리즘은 k—r.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.