1.
Ying Wang
_†, Geert Leus
†, Ashish Pandharipande | DIRECTION
ESTIMATION USING COMPRESSIVE SAMPLING ARRAY PROCESSING
Problem Compressive Sensing dapat digunakan
untuk mengurangi jumlah sampel sinyal dengan asumsi sinyal bersifat sparse. Penerapannya pada hardware
khususnya untuk direction of arrival estimation belum dieksplorasi peneliti sebelumnya dengan mendalam.
Contribution Penulis mengajukan skema Compressive
Sensing pada set array antena ULA (Uniform Linear Array) dengan dua pendekatan: I. (joint) CS recovery, and II. CS beamformers.Hasilnya adalah (1) penurunan kompleksitas hardware. (2) penurunan
kompleksitas software (3) resolusi tinggi
Method Penulis melakukan akuisisi terhadap sinyal terima
dengan compressive sampling terhadap sinyal terima tersebut. Direction of arrival estimation diperoleh dari proses compressive sampling ini dengan dua pendekatan berbeda : I. CS recovery dan II. CS Beamformer. Pada CS recovery, penulis menggunakan a sparse basis untuk sinyal array dan kemudian memformulasikan DoA sebagai yang diselesaikan dengan CS recovery
algorithms (dalam simulasinya, penulis menggunakan algoritma m-FOCUSS). Pada pendekatan CS beamformer penulis menggunakan algoritma MVDR untuk mengestimasi sudut kedatangan.
Result Penulis memverifkasi skema yang
ditawarkan dengan simulasi komputer dengan menggunakan 8 dan 36 antena, dengan sumber sinyal yang datang pada sudut 0 dan 3 derajat. Tiga skema diujicobakan yaitu metode konvensional, metode CS recovery, dan metode CS beamformer. Hasilnya diperoleh bahwa metode konvensional 8 antena gagal menresolusi kedua sumber yang datang, sedangkan metode CS recovery dan CS beamformer berhasil me-recovery sinyal datang dengan 36 antena, namun
kompleksitasnya seperti 8 antena.
Limitation 1). Penulis belum secara komprehensif
2). Penulis belum menginvestigasi pengaruh noise dalam eksperimennya. Eksperimen dilakukan hanya pada satu nilai SNR yaitu 20 dB.
3). Penulis belum menginvestigasi pengaruh jumlah sumber sinyal. Pada percobaan, penulis hanya menggunakan dua buah sumber.
2.
Wei Dai, Member, IEEE, and Olgica Milenkovic, Member, IEEE |
Subspace Pursuit for Compressive Sensing Signal Reconstruction
Problem Algoritma compressive sensing yang ada
(Linear Programming, Greedy algorithm dan Orthogonal Matching Pursuit)
memiliki keterbatasan pada tingginya tingkat kompleksitas dan iterasi yang diperlukan. Diperlukan algoritma yang lebih cepat sehingga implementasi Compressive Sensing lebih mungkin untuk diterapkan di hardware.
Contribution Penulis menawarkan skema baru untuk
rekonstruksi sparse signal pada lingkungan dengan dan tanpa noise yang diberi nama subspace pursuit algorithm (SP algorithm). Algoritma ini diklaim oleh penulisnya memiliki dua karakteristik utama yaitu : kompleksitas rendah dan akurasi
rekonstruksi yang tinggi (mendekati metode Linear Programming).
Method Penulis mengembangkan algoritma SP
ini berangkat dari skema Greedy yang bersifat sederhana dan cepat. Penulis mengasumsikan bahwa sinyal yang akan dikompres bersifat sparse dan matriks transformasi yang dialaminya memenuhi sifat Restricted Isometric Property (RIP). Dengan asumsi ini, melakukan penuruan matematik dari SP algorithm ini yang terdiri dari tiga tahap yaitu tahap inisialisasi, tahap iterasi, dan tahap perhitungan.
Result Penulis membandingkan skema SP yang
ditawarkan dengan skema CS yang telah ada yaitu skema Linear Programming, skema Standard OMP dan skema
skema SP superior untuk sinyal sparse Gaussian, dan mendekati skema Linear Programming untuk sinyal sparse biner.
Limitation 1). Penulis belum membahas
perbandingan algoritma yang diteliti dalam hal kompleksitas
2). Sinyal yang diujikan terbatas pada dua macam sinyal sparse yaitu sparse Gaussian dan sparse Biner. Tipe sinyal lain seperti sparse integer (seperti sinyal pada citra digital) belum dibahas oleh penulis.
3.
Ismail Jouny | MUSIC DOA ESTIMATION WITH COMPRESSIVE SENSING
AND/OR COMPRESSIVE ARRAYS
Problem Terdapat dua kemungkinan penerapan
Compressive Sensing pada aplikasi Direction of Arrival Estimation, yaitu : temporal compression dan spatial compression. Kedua skema tersebut belum diselidiki pada paper dan publikasi sebelumnya.
Contribution Paper ini berkontribusi dengan
memberikan hasil-hasil penelitian pada dua skema penerapan CS pada DoA yaitu skema temporal compression dan skema spatial compression.
Method Dalam mengimplementasikan kedua
skema di atas, penulis memulai dengan penerapan set antenna array yang bersifat ULA, untuk skema pertama (Temporal Compression), penulis melakukan compressive sensing pada sinyal terima dengan mengurangi snapshot sample yang diterima. Pengurangan snapshot ini dilakukan dengan mengalikan sinyal terima dengan Matrik Q. Matriks Q dipilih matriks random.
Proses recovery dilakukan dengan algoritma Matching Pursuit.
Untuk skema kedua (Spatial Compression) penulis melakukan compressive sampling pada antena tertentu yang dipilih dengan matriks compressive random.
MUSIC.
Result Penulis melakukan simulasi untuk
memverifkasi dua skema yang diujikan dengan simulasi komputer. Terdapat 2 simulasi yang dilakukan penulis yaitu simulasi untuk sinyal datang yang tidak berkorelasi, sedangkan untuk simulasi kedua penulis melakukan dengan sinyal datang yang berkorelasi. Hasil simulasi menunjukkan bahwa Temporal compresion (Skema I) memiliki kelebihan yaitu dapat membantu men-dekorelasi sinyal
datang. Sedangkan
Spatial Compression (Skema II) mengurangi proses komputasi serta penggunaan daya antena tanpa mengorbankan kemampuan resolusi sistem array.
.
Limitation 1). Penulis menyatakan di awal paper
akan melakukan investigasi kelebihan dan kekurangan skema compressive sensing, namun pada bagian penutup hanya menyebutkan kelebihannya saja tanpa ada kesimpulan tentang
kelemahan compressive sensing untuk DoA
2). Penulis belum melakukan simulasi dalam pengaruh noise
4.
Yeo-Sun Yoon
|
IMAGING OF BEHIND THE WALL TARGETS USING
WIDEBAND BEAMFORMING WITH COMPRESSIVE SENSING
Problem Imaging of Behind the Wall (IBW) adalah
salah satu aplikasi yang berkembang pesat saat ini untuk keperluan sipil dan militer. Citra akuisisi pada IBW yang besar serta bernoisy memerlukan proses komputasi yang berat untuk rekonstruksi dan interpretasinya. Penggunaan CS telah dilakukan dengan matrik kompressi A untuk IBW, namun investigasi secara intensive belum dilakukan.
Contribution Penulis mengusulkan penggunaan matriks
Fourier-like untuk keperluan kompresi dan skema Delay-and-Sum beamforming setelah recovery untuk memperoleh skema IWB yang cepat dan efsien.
Method Penulis memulai dengan model sistem
dengan N antena penerima dan M
sinyal yang diterima dibentuk dengan algoritma beamforming Delay and Sum (DS algorithm). Selanjutnya penulis memodifkasi sinyal terima dari sistem antena dengan menerapkan
compression matriks (Fourier-like) A (persamaan 5 dan 6). Proses recovery dilakukan dengan Discrete Fourier Transform (DFT, gambar 3). Selanjutnya proses beamforming dengan algoritma DS dilakukan.
Result Penulis memverifkasi skema yang
diajukan dengan menerapkannya pada contoh citra IBW dengan 3 objek di belakang dinding. Hasil dari skema yang diusulkan penulis dengan jumlah sampel frekuensi 20% dari jumlah asal memiliki kualitas yang sama dengan skema tanpa Compressive Sensing.
Limitation 1). Penulis belum melakukan pengujian
skema ini pada citra IBW yang beragam sehingga klaim kompresi 20% masih dapat berubah.
2). Ketebalan di dinding belum diselidiki secara mendalam
3). Kemampuan resolusi dari skema ini juga belum diinvestigasi
5.
Qiong Huang, Lele Qu, Bingheng Wu, and Guangyou Fang |
UWB Through-Wall Imaging Based on Compressive Sensing
Problem Untuk memperoleh citra 2D beresolusi tinggi
dari sistem through-wall imaging (TWI) radar menggunakan sinyal ultra-wideband dan antena array yang besar menghasilkan syarat yaitu data sinyal terima yang
data yang sangat besar. Diperlukan skema pengurangan data yang efektif dan efsien agar proses post-computation lebih ringan.
Contribution Penulis mengusulkan skema akuisisi data
baru untuk sistem TWI radar berdasarkan compressive
sensing (CS). Dengan skema ini, penulis mengklaim bahwa
dengan sampel terbatas tetap mampu dihasilkan citra TWI yang baik meskipun pada noise level yang tinggi.
Method Skema yang ditawarkan oleh penulis
dimulai dari tahap awal yaitu
penyusunan dictionary. Selanjutnya adalah akuisisi data dengan
Compressive Sensing. Matriks Kompresi A dipilih sehingga menghasilkan mutual kohenren minimal antar sinyal yang datang. Pada prakteknya, penulis
memilih matrik random dengan satu nilai tak nol pada setiap baris. Dekompresi dilakukan dengan algoritma minimalisasi norm l1.
Result Penulis memverifkasi skema yang
ditawarkan dengan melakukan simulasi lapangan. Peralatan yang digunakan adalah signal generator dengan
frekuensi 1 GHz sampai 3 GHz dengan increment 40 MHz. Sinyal ditembakkan pada didinding dengan 3 objek di belakangnya. Pantulan gelombang diterima oleh antena penerima dan merekonstruksi citra dengan dimensi 51 x 51 pixel (2601 pixel). Algoritma deteksi objek digunakan metode konvensional dan CS. Hasil simulasi menunjukkan bahwa metode CS memberikan hasil resolusi yang lebih tajam dari pada skema konvensional. Metode CS hanya memerlukan 7,7% data dibandingkan dengan metode konvensional
Limitation Penulis belum memberikan analisis