Sıkıs¸tırmalı ¨
Ornekleme ve Uyarlamalı C
¸ okyollu Kestirim
Compressive Sampling and Adaptive Multipath Estimation
Mert Pilanci, Orhan Arikan
Elektrik Elektronik M¨uhendisli˘gi B¨ol¨um¨u Bilkent ¨
Universitesi, Ankara
{pilanci,arikan}@ee.bilkent.edu.tr¨ Ozetc¸e
Sinyal is¸lemede kanal kestirimi ve es¸itleme gibi bir c¸ok prob-lem do˘grusal denkprob-lem sistemlerine d¨on¨us¸mektedir. Bu bildiride katsayı matrisinde seyrek hata bulunan do˘grusal problemler tanımlanmıs¸ ve incelenmis¸tir. B¨uy¨uk bir matris sınıfı ic¸in seyrek hataların olması durumunda dahi bilinmeyen parame-trelerin kesin olarak saptanması m¨umk¨und¨ur. Bu amac¸ ic¸in bir optimizasyon problemi ve konveks relaksiyonu tanımlanmıs¸, c¸¨oz¨um¨u ic¸in sayısal algoritmalar gelis¸tirilmis¸tir. Elde edilen sayısal sonuc¸lar kuramsal yaklas¸ımı destekleyecek niteliktedir. Bu y¨ontem akıllı radyo sistemlerinde uyarlamalı c¸okyollu kanal kestirimi ve es¸itlemesi gerc¸ekles¸tirmek ic¸in kullanılmıs¸ ve y¨uksek bas¸arım sa˘glanmıs¸tır. Hızlı de˘gis¸en c¸ok yollu kanal-larin gecikme ve Doppler uzayında seyrek olması nedeniyle ¨onerilen teknikle es¸itleme zamanlarının oldukc¸a ¨otesinde dahi d¨us¸¨uk bit hatası elde edilebilmektedir.
Abstract
In many signal processing problems such as channel estimation and equalization, the problem reduces to a linear system of equations. In this proceeding we formulate and investigate linear equations systems with sparse perturbations on the coefficient matrix. In a large class of matrices, it is possible to recover the unknowns exactly even if all the data, including the coefficient matrix and observation vector is corrupted. For this aim, we propose an optimization problem and derive its convex relaxation. The numerical results agree with the previous theoretical findings of the authors. The technique is applied to adaptive multipath estimation in cognitive radios and a significant performance improvement is obtained. The fact that rapidly varying channels are sparse in delay and doppler domain enables our technique to maintain reliable communication even far from the channel training intervals.
Index Terms—Compressed Sensing, Structured Total Least
Squares, Structured Perturbations, Matrix Identification, Sparse Multipath Channels
1. Giris¸
Sinyal is¸lemede kanal kestirimi, es¸itleme ve ters evris¸im gibi bir c¸ok problem do˘grusal denklem sistemlerine d¨on¨us¸mektedir.
¨
Olc¸¨um vekt¨or¨u y0 kullanılarak, bilinmeyen x0 vekt¨or¨un¨un
kestirimi c¸o˘gu uygulamanın ¨oz¨undeki problemi tes¸kil eder. Sıklıkla do˘grusal bir model bilinmeyenler ve ¨olc¸¨umler
arasındaki ilis¸kiyi g¨ostermek ic¸in kullanılır: y0 = A0x0,
burada A0 ∈ Rm×n matrisi do˘grusal ilis¸kiyi tasvir
etmek-tedir. En Az Kareler (Least Squares, LS) Y¨ontemi, m > n
durumundaA0x = y denklemine bir yaklas¸ık c¸¨oz¨um bulmak
ic¸in en iyi bilinen y¨ontemdir. Ayrıca LS y¨ontemi g¨ozleme
ba˘gımsız normal da˘gılımlı g¨ur¨ult¨ue eklenmis¸se, y = y0+ e,
en y¨uksek olabilirlik (Maximum Likelihood) kestirimini verir
ve bilinmeyenx0’yu bir miktar hata ile bulabilir [1]. S¸as¸ırtıcı
olarak 2005 yılında Candes ve Tao, e vekt¨or¨un¨un seyrek
olması durumunda, bazıA matrisi aileleri ic¸in x0nun do˘grusal
programlama ile kesin olarak saptanabilece˘gini g¨ostermis¸lerdir [2].
Gerc¸ek sinyal is¸leme uygulamalarında katsayı matrisi de hatalar ya da kabullenmeler ic¸ermekte veya bazı di˘ger
¨olc¸¨umlerin sonucu olarak hesaba girmektedir. A matrisi ve
g¨ozlemlerde birlikte hata oldu˘gunda: A = A0 + E, y =
y0 + e, Toplam En Az Kareler (Total Least Squares, TLS)
y¨ontemi Tekil De˘ger Ayrıs¸ımı (SVD) kullanarak en k¨uc¸¨uk pert¨urbasyonla sistemi d¨uzeltip tutarlı hale getirir [3]. TLS y¨ontemi de matris ¨uzerindeki ve g¨ozlem ¨uzerindeki g¨ur¨ult¨uler ba˘gımsız normal da˘gılımlı ise En B¨uy¨uk Olabilirlik kestirimini vermektedir.
Bu bildiride, Candes ve Tao’nun sonucundan ilham alarak, TLS kars¸ılı˘gını, yani katsayı matrisinde de hata olması duru-munu inceliyoruz. TLS probleminin do˘gası belirsizli˘gin art-masından dolayı daha karıs¸ıktır. Kuramsal sonuc¸larımız [4]’te
sunulmaktadır ve web sayfamızdan eris¸ilebilir. E˘ger E ve e
bilinmemekte ama herhangi bir bazda seyrek iseler, sadece
(A0+E, y0+e) bilgisiyle x0’nun kesin olarak bulunabilece˘gi
g¨osterilmis¸tir. Bu bildiride sayısal bir algoritma ve konveks relaksiyonu gelis¸tirilip telsiz iletis¸im sistemlerinde c¸okyollu kestirime uygulaması sunulacaktır.
2. Seyrek Pert ¨urbasyon Kuramı
Varsayalım ki,A0x0 = y0 tutarlı bir denklem sistemi olsun
ve g¨ozlenen sistemdeki nicelikler as¸a˘gıdaki gibi tanımlansın:
A = A0+ N i=1 Aipi, y = y0+ N i=1 yipi , (1)
¨oyle ki,Aimatrisleri veyivekt¨orleri sabit ve bilinen nicelikler
olarak sistem ¨uzerindeki pert¨urbasyon ic¸in bir baz tanımlasın vep = [p1. . . pN]T bu bazdaki katsayıları olsun.
E˘ger x0 bilinseydi fakat p bilinmeseydi problem [4]’te
g¨osterildi˘gi gibi standart bir Compressive Sampling (CS) prob-lemi haline gelir ve Basis Pursuit (BP) ile c¸¨oz¨ulebilir [5].
Fakat x0’nun da bilinmeyenlere dahil olması bu problemi
CS’den daha zorlu bir hale getirmektedir. Yazarlar [4]’te kesin ve kararlı saptama ic¸in yeterli kos¸ulları kuramsal olarak g¨ostermis¸lerdir.
260
SIU2010 - IEEE 18.Sinyal isleme ve iletisim uygulamalari kurultayi - Diyarbakir
3. ¨Onerilen Kestirim Y¨ontemi
As¸a˘gıdaki ikili minimizasyon, pert¨urbasyon p ve bilinmeyen
x0’nun birlikte kestirilmesi ic¸in ¨onerilmektedir:
P0: minx min p0=k (A − N i=1 Aipi)x − (y − N i=1 yipi) 2
Burada p0, p vekt¨or¨undeki sıfır olmayan eleman sayısını
temsil etmektedir.P0 minimizasyonu olabilecek t¨um k-seyrek
pert¨urbasyonlar ic¸in en iyi yaklas¸ımı verecek x vekt¨or¨un¨u
aramaktadır. Bu optimizasyon problemi konveks de˘gildir.
3-A. P0 ic¸in De˘gis¸en Minimizasyonlar Tekni˘gi
Konveks olmayan P0 problemini c¸¨ozmenin bir yolu tekrarlı
bir s¸ekildep ve x’i sabit tutarak ilerlemektir. p sabit tutulursa,
problem sıradan bir En Az Kareler problemi haline gelir ve
analitik c¸¨oz¨um¨u mevcuttur. E˘ger x sabit tutulursa, k-seyrek
bir p bulmak ic¸in c¸es¸itli algoritmalar mevcuttur. Bunlardan Orthogonal Matching Pursuit (OMP) hızlı bir y¨ontem olup bazı durumlarda garantili sonuc¸lar vermektedir [6]. As¸a˘gıdaki tabloda verildi˘gi s¸ekilde ardıs¸ık minimizasyonlarla
ilerleyerek yerel bir optimum bulunabilir [7], [8].
Algoritma 1. Ardıs¸ık Minimizasyonlar Algoritması
x0← A†y, p0← 0, k ← 0 whilexk− xk−1> Δ do pk+1← arg min p0=kAxk− y − Φ(xk)pk (OMP kullanılarak) xk+1← (A −N i=1Aipi)†(y − N i=1yipi) k← k + 1 end while ˆ A ← (A−N
i=1Aipki), ˆy ← (A−
N
i=1yipki), ˆx ← xk
3-B. P0’nun konveks relaksiyonu
Compressive Sampling’i sayısal olarak m¨umk¨un kılan en
¨onemli teorik bulgu l0 ve l1 normunun bazı problemlerde
es¸it sonuc¸lar vermesidir [9]. Bu sonuc¸tan hareketle P0’daki
l0normul1ile de˘gis¸tirdi˘gimizde problem as¸a˘gıda g¨osterildi˘gi
gibi konveks hale gelir:
P1: min x pmin1≤t (A − N i=1 Aipi)x − (y − N i=1 yipi) 2 .
Bu problemin analizi ic¸in ¨once as¸a˘gıdaki tanımlamaları ya-palım: Tanım 1: A(p) A −N i=1 Aipi , y(p) y − N i=1 yipi . (2)
A(p) matrisinin kolon uzayının p1 ≤ t b¨olgesinde tam
oldu˘gunu varsayarak, dıs¸ardaki ve ic¸erideki minimizasyonun yerlerini de˘gis¸tirip analitik c¸¨oz¨um¨u kullanabiliriz:
min
p1≤tminx A(p)x − y(p)
2 2= minp 1≤t P⊥py(p) 2 2 (3)
BuradaP⊥p I−A(p)A(p)†matrisi,A(p)’nin sıfır uzayının
izd¨us¸¨um operat¨or¨ud¨ur veA(p) kolon uzayına diktir. As¸a˘gıdaki
tanımları yaparsak:
y(p)⊥ P⊥
py(p) ve xp A(p)†y(p),
denklem (3)’teki ic¸erdeki ifadenin t¨urevi yazarlar tarafindan Frechet t¨urevleri kullanılarak [8]’de t¨uretilmis¸tir:
1 2 ∂ ∂pi P⊥py(p) 2 2= y(p)⊥,Aixp− y i , (4)
Bu ifade P1 problemini gradyan bazlı hızlı tekniklerle
c¸¨oz¨ulebilir kılar. Bu tekniklerden bir tanesi as¸a˘gıda belir-tilen Koordinat Gradyan ˙Inis¸i (Coordinate Gradient Descent, CGD)’dir.
Coordinate Gradient Descent (CGD): CGD l1kısıtlamalı
genel do˘grusal olmayan problemlerin hızlı c¸¨oz¨um¨u ic¸in
gelis¸tirilmis¸ bir tekniktir. As¸a˘gıdaki GCD uyarlamasıP1 ic¸in
hızlı bir c¸¨oz¨um tes¸kil eder:
Algoritma 2 Koordinat Gradyan ˙Inis¸i Algoritması
p0← 0, k ← 0 whilepk− pk−1> Δ do l← arg min i y(p)⊥,Aixp− y i
c ← 0 , ck← −sign(< y(p)⊥,Alxp− yl) >
ˆλ ← arg min λ∈[0,1] P⊥ pk+λ(c−pk)y(pk+ λ(c − pk)) 2 pk+1← p + k + ˆλ(c − p + k) k← k + 1 end while ˆ A ← (A−N
i=1Aipki), ˆy ← (A−
N
i=1yipki), ˆx ← xk
Dikkat edilmesi gereken bir nokta, algoritmadaki λ
¨uzerinden minimizasyon konveks olmamasıdır. Fakat as¸a˘gıdaki ifade bu de˘gere iyi bir yaklas¸ım sunmaktadır:
arg min λ∈[0,1] P⊥ p+λ(c−p)y(p + λ(c − p))2 ≈ arg min λ∈[0,1]A(p + λ(c − p))x − y(p + λ(c − p))2 = ⎧ ⎪ ⎨ ⎪ ⎩ 0 α(A†y) ≤ 0 α(A†y) 0 < α(A†y) < 1 1 α(A†y) > 1 α(x) (A(p)x − y(p)) T i(Aix − yi)(c − p) i(Aix − yi)(c − p) 2 2 .
Bu s¸ekildeO(N) karmas¸ıklık ile P0 nun relaksiyonu P1
c¸¨oz¨ulebilir.
4. Sayısal Sonuc¸lar ve Uygulamalar
4-A. Kesin C¸ ¨oz ¨um Olasılı˘gı
Seyrek pert¨urbasyonların bilinmedi˘gi durumda x0 vekt¨or¨un¨u
kesin bir bic¸imde olus¸turabilmek ilk bakıs¸ta umutsuz g¨oz¨ukebilir. Fakat ¨onerilen y¨ontemler y¨uksek olasılıkla bunu
m¨umk¨un kılmaktadır. E˘ger ¨ustbelirlilik oranı
(overdetermi-nation ratio) olarak tanımladı˘gımız mn yeterince b¨uy¨ukse
ve pert¨urbasyon yapısı yeterince evreuyumsuz (incoherent) ise kesin c¸¨oz¨um olasılı˘gı bire yakındır. Toeplitz yapılı pert¨urbasyonların evreuyumsuz olduklarını yazarlar [4]’te ispatlamıs¸lardır. Bu savı sayısal olarak desteklemek ic¸in rast-gele elemanlı bir Toeplitz matris ¨uzerine yapılı bir s¸ekilde
seyrek g¨ur¨ult¨u eklenmis¸ veP0y¨ontemi kullanılarak bir c¸¨oz¨um
261
1 2 3 4 5 6 7 8 9 10 0 10 20 30 40 50 60 70 80 90 Üstbelirlilik Orani − m/n Kesin Çözüm Olasiligi (x 100) k/n=0.1 k/n=0.5 k/n=0.3 k/n=0.9 k/n=1.5
(a)m/n ¨ustbelirlenim oranına g¨ore P0nun deneysel kesin c¸¨oz¨um olasılı˘gı
Üstbelirlilik Orani − m/n Pertürbasyon Seyrekligi − k/n 1 2 3 4 5 6 7 8 9 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 10 20 30 40 50 60 70 80 90 (b)(m
n,kn) d¨uzleminde deneysel kesin c¸¨oz¨um olasılı˘gı.
S¸ekil 1. Onerilen y¨ontemlerin kesin c¸¨oz¨um olasılıklarının deneysel sonuc¸ları¨
elde edilmis¸tir. Deneysel kesin c¸¨oz¨um olasılı˘gı, yani x
ke-stiriminin, gerc¸ek x ile sıfır hatayla ¨ort¨us¸mesi olasılı˘gı m/n
oranına g¨ore 100 ba˘gımsız denemede hesaplanmıs¸ ve S¸ekil
1(a)’da g¨osterilmektedir. (m
n, k) d¨uzlemindeki olasılık ise
S¸ekil 1(b)’de incelenmis¸tir.
S¸ekillerden g¨or¨ulece˘gi gibi,m/n oranı arttıkc¸a kesin c¸¨oz¨um
olasılı˘gı hızlı bir s¸ekilde artmaktadır. Artıs¸ hızını etkileyen en
¨onemli fakt¨ork/n yani matristeki pert¨urbasyonların oranıdır.
¨
Orne˘gin, m = 20, n = 10 boyutlarında bir Toeplitz matrisin
1 adet elemanı (k/n = 0.1) g¨ur¨ult¨u ile bozulsa dahi, ¨onerilen
y¨ontemin do˘grux0c¸¨oz¨um¨un¨u bulma olasılı˘gı0.9 civarındadır.
4-B. Akıllı Radyo Sistemlerinde Uyarlamalı C¸ okyollu
Kanal Kestirimi
Np adet sinyal yolunun her birinin s¨on¨umleme katsayılarıai,
gecikmeleri ni ve doppler kaymalari νi oldu˘gunda, alıcıdaki
sinyal y ve g¨onderilen sinyal x0 arasındaki ilis¸ki as¸a˘gıdaki
gibi yazılabilir : y[n] = Np i=1 aix0[n − ni]ej2π νi d + w[n] , (5)
ve daha kısa bir s¸ekilde, y = Hx0 + w olarak da
ifade edilebilir. Burada w dairesel simetrik normal beyaz
g¨ur¨ult¨ud¨ur. Bu uygulamada kanalın ve g¨onderilen sinyalin, bir kanal tanılama evresinden sonra tekrar birlikte kestirilmesi ele
alınmaktadır. Varsayalım ki kanal tanılama evresi bizeNpadet
yol ic¸eren birH kanal matrisi vermis¸tir. Bir s¨ure sonra ortama
yeni yansıtıcılar eklenmis¸ ya da varolan yanısıtıcılar ortamdan c¸ıkmıs¸tır ve kanalın yeni durumu elimizdeki kanal kestirim-iyle uyus¸mamaktadır. Bu kanalların genelde gecikme-doppler uzayında seyrek oldu˘gu d¨us¸¨un¨ul¨urse [10], problem do˘grusal denklem sistemlerinde matris ¨uzerinde seyrek pert¨urbasyon
bu-lunması halinde bilinmeyenleri c¸¨ozmekle es¸de˘gerdir.x0[n]’in
band genis¸li˘giB oldu˘gunda, gecikme ve doppler uzayı Δν =
1
n, Δτ = B1 aralıklarla kesikli hale getirilirse as¸a˘gıdaki
262
8 10 12 14 16 18 20 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Sinyal Gürültü Orani (dB)
Doppler Kestirim Hatasi
Önerilen Basis Pursuit (3 Paths) Proposed (3 Paths) B 5 yol
3 yol
1 yol
S¸ekil 2. Doppler Kestirim Hatası.
8 10 12 14 16 18 20 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Sinyal Gürültü Orani
Gecikme Kestirim Hatasi
Önerilen Basis Pursuit (3 Paths) Proposed (3 Path) BP
5 yol
3 yol
1 yol
S¸ekil 3. Gecikme Kestirim Hatası.
zaman-sıklık matris bazı [11] bu problem ic¸in kullanılabilir.
Hkl= diag([1 ej
2π
dk . . . ej2πdkm])Rl, (6)
Burada Rl, l’inci altk¨os¸egeni 1 ve di˘ger t¨um
eleman-ları 0 olan matristir ve l ¨ornek kadar kaydırma is¸levini
g¨ormektedir. ¨Onerilen y¨ontemP1’in bas¸arımını g¨ostermek ic¸in
bir sim¨ulasyon c¸alıs¸ması yapılmıs¸tır. x0 rastgele ±1 sinyali
olarak sec¸ilmis¸ g¨onderilmek istenen sinyali temsil etmekte-dir. Ortama sırasıyla 1, 3 ve 5 adet s¨on¨umleme, gecikme ve doppler katsayıları farklıdır ve bilinmeyen yeni yansıtıcı
eklenmis¸tir. P1’deki t parametresi eklenen yol sayısını elde
edecek b¨uy¨ukl¨ukte sec¸ilmis¸tir. S¸ekil 2 ve S¸ekil 3 bilinen Basis Pursuit yaklas¸ımı ile ¨onerilen y¨ontemi kestirim hatalarına g¨ore 100 ba˘gımsız denemede 30 farklı sinyal g¨ur¨ult¨u oranında kars¸ılas¸tırmaktadır. Bu s¸ekillerde s¨oz¨u edilen doppler ve gecikme kestirim hataları sırasıyla s¸u s¸ekilde tanımlanmıs¸tır: ˆ ν dΔν ve ˆ τ
dΔτ. Basis Pursuit yaklas¸ımı sadece yeni eklenen
kanalların seyrek oldu˘gunu varsaymakta ve x sinyali ic¸in bir
¨onceki kanal kestiriminden bulunan bilgiyi kullanmaktadır. ¨
Onerilen y¨ontem bir ikili minimizasyonun sonucu oldu˘gundan
x sinyali ve kanaldaki pert¨urbasyonu ic¸in birlikte kestirim
ya-par bu nedenle bas¸arım oranı sonuc¸lardan g¨or¨uld¨u˘g¨u gibi daha iyidir. Tek yol bulunan sim¨ulasyonda Doppler kestiriminde 2.5dB, gecikme kestiriminde 11dB iyiles¸tirme sa˘glanmıs¸tır.
5. Sonuc¸
Do˘grusal denklem sistemlerinde katsayı matrisi ¨uzerinde seyrek pert¨urbasyon bulundu˘gu durumda bilinmeyenlerin bu-lunması ic¸in bir y¨ontem gelis¸tirilmis¸tir. Konveks olmayan bir optimizasyon problemi ve onun konveks relaksiyonu tartıs¸ılmıs¸, c¸¨oz¨um ic¸in iki farklı sayısal algoritma sunulmus¸tur.
Problemdeki iki ¨onemli parametre ¨ustbelirlilik oranım/n ve
matris yapısının es¸uyumsuzlu˘gudur. Sayısal sonuc¸lar ¨onerilen y¨ontemin Toeplitz yapılı matrislerde c¸ok y¨uksek olasılıkla
kesin c¸¨oz¨um ¨uretebildi˘gi, yani bilinmeyen parametre vekt¨or¨un¨u sıfır hatayla geri getirebildi˘gini g¨ostermis¸tir. Elde edilen y¨ontem akıllı telsiz iletis¸im sis c¸okyollu parametre kestiriminin uyarlamalı bir s¸ekilde yapılması ic¸in kullanılmıs¸ ve y¨uksek
bas¸arım oranı sa˘glanmıs¸tır. ¨Onerilen y¨ontem kullanılarak,
or-tama bilinmeyen parametreli yansıtıcılar girdi˘ginde ya da c¸ıktı˘gında kanal tanımlama evresine gerek kalmadan kanal parametreleri kestirilebilmektedir.
6. Kaynakc¸a
[1] S. M. Kay, Fundamentals of Statistical Signal Processing:
Estimation Theory., Prentice-Hall, 1993.
[2] E. J. Candes and T. Tao, “Decoding by linear programming,”
IEEE Trans. Inf. Theory, vol. 51, no. 12, pp. 4203–4215, Dec
2005.
[3] G.H. Golub and F. Van Loan, “An analysis of the total least squares problem,” SIAM J. Numer. Anal., vol. 17, no. 6, pp. 883–893, Dec. 1980.
[4] M. Pilanci and O. Arikan, “Recovery of sparse perturbations in least squares problems,” in preparation to be submitted
to IEEE. Trans. Signal Processing, 2010.
[5] E. J. Candes, J. Romberg, and T. Tao, “Stable signal recovery from incomplete and inaccurate measurements,” Comm. Pure
Appl. Math., vol. 59, no. 8, pp. 120–1223, Aug 2006.
[6] J.A. Tropp and A.C. Gilbert, “Signal recovery from random measurements via orthogonal matching pursuit,” IEEE Trans.
Inf. Theory, vol. 53, no. 12, pp. 4655–4666, Dec 1977.
[7] M. Pilanci, O. Arikan, B. Oguz, and M.C. Pinar, “Structured least squares with bounded data uncertainties,” 2009. [8] M. Pilanci, O. Arikan, and M.C. Pinar, “Structured least
squares problems and robust estimators,” accepted to IEEE.
Trans. Signal Processing, May 2010.
[9] E. J. Candes, “The restricted isometry property and its implications for compressed sensing,” C. R. Math., vol. 346, no. 9–10, pp. 589–592, May 2008.
[10] W. Bajwa, A. Sayeed, and R. Nowak, “Sparse multipath channels: Modeling and estimation,” in Digital Signal
Pro-cessing Workshop and 5th IEEE Signal ProPro-cessing Education Workshop, pp. 320-325, 2008.
[11] M.A. Herman and T. Strohmer, “High-resolution radar via compressed sensing,” IEEE Trans. Signal Process., vol. 57, no. 6, pp. 2275–2284, Jun 2009.