Tensor-based subspace tracking

Khatib, Olaa

Für verschiedene Anwendungen auf dem Gebiet der digitalen Signalverarbeitung sind die Bestimmung der Unterräume sowie deren Tracking, zum Besispiel für die Signalparameterschätzung, die Datenkomprimierung, Radar und die Bildverarbeitung, erforderlich. Eine der vielversprechendsten Techniken zur Schätzung der Signalunterräume basiert auf dem Konzept der Singulärwertzerlegung (Singular Value Decomposition, SVD). In letzter Zeit wurde für mehrdimensionale Daten die SVD höherer Ordnung (Higher-Order SVD, HOSVD) verwendet, um verbesserte Schätzungen des Unterraums im Vergleich zum SVD-Konzept zu schaffen. Darüber hinaus kann durch Verwendung der HOSVD die Schätzung des Unterraums für die Parameterschätzung in einem harmonischen Wiedergewinnungsproblem mit mehrdimensionaler Struktur in den Daten, durchgeführt werden. Sind jedoch die multidimensionalen Daten zeitvariant, werden adaptive Algorithmen, die auf der Tensoralgebra zum Tracking des Unterraums beruhen, benötigt. Durch den Einsatz dieser Algorithmen können auch die Signalparameter wie die Richtung (direction of arrival, DOA) bestimmt werden. Außerdem, wenn die Anzahl der Messungen gering ist oder die Quellen stark korreliert sind, kann dann durch die Anwendung der Vorwärts-Rückwärts-Durchschnittsbestimmung (Forward Backward Averaging, FBA) die Leistungsfähigkeit weiter verbessert werden. In dieser Arbeit berücksichtigen wir FBA und schlagen den erweiterten FBA-PAST-Algorithmus, der auf dem Tensor-Based Subspace Tracking via Kronecker structured projections (TeTraKron) basiert, vor. Wir zeigen, dass FBA zu einer verbesserten Genauigkeit des Unterraum-Tracking und einem niedrigeren Rechenaufwand durch reellwertige Rechenoperationen führt. Außerdem bewerten wir die Leistungsfähigkeit der Parameterschätzungsalgorithmen in vielen nicht-stationären Szenarien, in denen die Unterräume durch Verwendung des Unterraum-Tracking geschätzt werden. Darüber hinaus erweitern wir den adaptiven ESPRIT-Algorithmus zu einem allgemeineren Fall, in dem die Unterarrays nicht notwendigerweise eine maximale Überlappung haben. Weiterhin entwickeln wir eine adaptive Version für Unitary ESPRIT sowie 2-D Unitary ESPRIT. Im Vergleich zu der direkten Kombination des PAST- Algorithmus mit Unitary ESPRIT oder 2-D Unitary ESPRIT, erreichen die vorgeschlagenen adaptiven Algorithmen die gleiche Leistung mit einer geringeren mathematischen Komplexität.

Abstract (engl.): For different applications in the field of digital signal processing, subspaces estimation and tracking have been required, e.g., signal parameter estimation, data compressing, radar and imaging processing. One of the most fruitful techniques in estimating the signal subspaces is based on the singular value decomposition (SVD) concept. Recently, for multidimensional data, Higher-Order SVD (HOSVD) can be used to provide improved estimates of the subspace compared to the SVD concept. Moreover, the subspace estimates obtained by employing HOSVD can be used for parameter estimation in a harmonic retrieval problem where a multidimensional structure is inherent in the data. However, when the multidimensional data are time-variant, adaptive subspace tracking schemes based on tensor algebra are in demand. By employing the tensor-based subspace tracking algorithms, the signal parameters like DOA can be tracked as well. Moreover, if the number of observations is small or the sources are highly correlated, incorporating Forward Backward Averaging (FBA) can further improve the performance of tracking. In this work, based on the tensor-based subspace tracking via Kronecker structured projections (TeTraKron) framework, we include FBA and propose the Extended FBA-PAST algorithm. We show that incorporating FBA leads to an improved accuracy of the subspace tracking and a lower computational complexity due to the fact that only real-valued processing is involved. Moreover, we evaluate the performances of the parameter estimation schemes in a variety of non-stationary scenarios where the subspace estimates are obtained by employing the subspace tracking algorithms. Furthermore, we extend the adaptive ESPRIT algorithm to a general case where the subarrays are not necessarily maximum overlapping. In addition, we develop an adaptive version of Unitary ESPRIT as well as 2-D Unitary ESPRIT. Compared to the direct combination of the PAST algorithm and Unitary ESPRIT or 2-D Unitary ESPRIT, the proposed adaptive schemes achieve the same performance with a lower mathematical complexity.

Ilmenau, Techn. Univ., Masterarbeit, 2014

Zitieren

Zitierform:

Khatib, Olaa: Tensor-based subspace tracking. 2014.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Export