联合稀疏信号恢复 via 深度自编码器与并行坐标下降展开
信息论
2020-02-10 v1 信号处理
math.IT
摘要
在本文中，利用压缩感知、并行优化和深度学习技术，我们提出了一种模型驱动方法，基于实值标准自编码器结构，联合设计复杂稀疏信号的公共测量矩阵和基于 GROUP LASSO 的联合稀疏信号恢复方法。编码器利用公共测量矩阵对联合稀疏信号进行含噪线性压缩。基于 GROUP LASSO 的解码器基于所提出的迭代并行坐标下降（PCD）算法实现联合稀疏信号恢复，该算法以并行方式求解 GROUP LASSO。特别地，解码器由近似部分和校正部分组成，近似部分将所提迭代算法展开（若干次迭代）以获得 GROUP LASSO 的近似解，校正部分减小近似解与实际联合稀疏信号之间的差异。所提模型驱动方法比经典 GROUP LASSO 方法以更少计算时间实现更高恢复精度，且当稀疏模式中存在额外结构时增益显著增加。所提模型驱动方法获得的公共测量矩阵也适用于经典 GROUP LASSO 方法。我们考虑了一个应用示例，即基于多输入多输出（MIMO）的无授权随机接入中的信道估计，该接入旨在支持物联网（IoT）的大规模机器类通信（mMTC）。数值结果证明，当联合稀疏信号数量不太大时，所提模型驱动方法相较 GROUP LASSO 和 AMP 具有实质增益。
引用
@article{arxiv.2002.02628,
title = {Jointly Sparse Signal Recovery via Deep Auto-Encoder and Parallel Coordinate Descent Unrolling},
author = {Shuaichao Li and Wanqing Zhang and Ying Cui},
journal= {arXiv preprint arXiv:2002.02628},
year = {2020}
}
备注
6 pages, 13 figures, to be published in IEEE WCNC 2020