Compressive Sensing
untuk
Direction of Arrival Estimation
Oleh :
Koredianto Usman
NIM : 33213002
Dipresentasikan dalam SEMINAR MINGGUAN | 14 MARET 2014
PROGRAM DOKTOR
SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA
INSTITUT TEKNOLOGI BANDUNG
2014
1OUTLINE
1.
TUJUAN
2.
Deskripsi Signifkansi Materi
3.
Teori dan Permasalahan pada
Direction of Arrival (DoA) Estimation |
ALGORITMA UTAMA
4.
Compressive Sensing
5.
Skema
Compressive Sensing
untuk
DOA |
PROPOSAL
6.
Simulasi awal
1. TUJUAN
Presentasi ini bertujuan:
◦
Memaparkan Teori dari
DoA
CS
Link CS
dan
DoA
◦
Memaparkan
Paper
Eksplorasi
CS
dan
DoA
◦
Memaparkan peluang riset di
bidang
CS-DoA
2. Deskripsi Signifkansi
Materi
Penentuan DoA signifkan pada
bidang
radar
dan
sonar
.
Radar
: Military dan Sipil (lalu, sekarang, yad)
Sonar
: Military dan Sipil (
lalu
, sekarang,
yad
)
Aplikasi hot sekarang dan yad:
Behind the Wall Radar
Ground Penetrating Radar
2. Deskripsi Signifkansi
Materi
2. 2. TEORI`
Sumber :
electriciantraining.tpub.com
Sumber :
2. TEORI
7
2.1 Direction of Arrival (DoA) Estimation
SIGNAL
PROCESSO
R
SUMBER
Atribut DoA :
-
Array Antena
-
Array Processing
-
Arah Rx (x
Beamforming arah Tx)
Permasalahan DoA :
-
Berapa Jumlah Sumber?
-
Sudut berapa
2. TEORI
2.1 Direction of Arrival (DoA) Estimation
Metode Delay and Sum (DAS)
Capon’s Minimum Variance
(MVDR)
MUSIC
ESPRIT
9
2.1 DoA Estimation
A. METODE
MVDR
J.Capon
,
High-resolution frequency-wavenumber
spectrum analysis
,
Proc. IEEE
, Vol. 57,
1408-1418, tahun 1969.
�
(
�
)
=
1
�
(
�
)
�⋅ �
��−1⋅ �
(
�
)
[
�
1�
2⋮
�
�]
=
[
�
1,1�
2,1⋮
�
�,1�
12�
2,2⋮
⋯
⋯
⋯
⋱
�
1,�������
2,������⋮
�
�,������]
R
xx
E(x.x
H)=
�
−��1
�
(�
)=
[
�
−� ⋅1
2�
� ⋅ �⋅sin(�)
�
− � ⋅2⋅2� ⋅ �⋅� sin(�)⋮
�
−� ⋅(�−1)⋅2� ⋅� ⋅� sin(�)]
“SCANNING”
:
1
2.1.DoA Estimation
10
B. METODE
MUSIC
R.O. Schmidt
,
Multiple Emitter Location and Signal
Parameter Estimation
,
IEEE Trans. Antennas &
Propagation
, vol. 34, no. 3, March 1986.
:
1
N
“SCANNING”
�
(
�
)
=
1
�
(
�
)
�⋅��⋅ �
(
�
)
�
(�
)=
[
�
−� ⋅1
2�
� ⋅ �⋅sin(�)
�
− � ⋅2⋅2� ⋅ �⋅� sin(�)⋮
�
−� ⋅(�−1)⋅2� ⋅� ⋅� sin(�)]
[
�
1�
2⋮
�
�]
R
xx
EVD
R
xx
=[
Us
Un
]
2.1.DoA Estimation
Perbandingan Performa MVDR &
MUSIC
11
PERSAMAAN :
-
Memerlukan
N x Nsnaps
data
-
Memerlukan perhitungan Rxx (
O(
N x Nsnaps
2)
)
-
Scanning sudut ( -90 s.d. 90 derajat)
PERBEDAAN:
-
MVDR menghitung
invers R
XX, MUSIC
menghitung EVD
-
MVDR menghitung
spektrum dengan Invers
Rxx, MUSIC dengan
2.2.
COMPRESSIVE SENSING
2.1 Sampling Rate
F
s= 2 x
f
maxt
t
1/Fs
Nyquist
t
CS
2.
TEORI
13
I.2. PENGANTAR COMPRESSIVE SENSING
1.2
Compressive Sensing (Matematis)
CS
x
A
y
Rekonstru
ksi
y
1.2.
PENGANTAR COMPRESSIVE
SENSING
1.2
Compressive Sensing (Syarat)
•
x
bersifat
Sparse
(pada suatu basis)
•
A
bersifat
Restricted Isometric Property
(RIP)
(
1
−
�
�)
∙
|
�
|
�2≤
|
�
∙
�
|
�2≤
(
1
+
�
�)
∙
|
�
|
�2|x|
|y|
A
RIP
15
1.2.
PENGANTAR COMPRESSIVE
SENSING
Contoh CS dengan
random
sampling
Contoh :
16
1.2.
PENGANTAR COMPRESSIVE
SENSING
Sinyal
x sparse
X = [1 2 1 2 1 2 1 2 1 2 1 2]
:
TMatriks
compressed sensing
A :
�
=
[
1
0
1
0
1
0
0
1
1
0
0
1
1
0
1
0
1
0
0
1
1
0
0
1
]
y = [4 8]
Sinyal
compressed
y:
� �
=
[
1
/
4
0
1
/
4
0
1
/
4
0
0
1
/
4
0
1
/
4
0
1
/
4
1
/
4
0
1
/
4
0
1
/
4
0
0
1
/
4
0
1
/
4
0
1
/
4
]
Matriks
rekonstruksi
*) :
X = [1 2 1 2 1 2 1 2 1 2 1 2]
TSinyal rekonstruksi :
17
1.2.
PENGANTAR COMPRESSIVE
SENSING
Compressive Sensing (Rekonstruksi)
y
X
(‘sedekat mungkindengan x’)
W
Y=
W=
X=
Sedekat mungkin diukur
dengan norm | |
1.3.Link antara CS dan DoA
[
�
1�
2⋮
�
�]
=
[
�
1,1�
2,1⋮
�
�,1�
12�
2,2⋮
⋯
⋯
⋯
⋱
�
1,�������
2,������⋮
�
�,������]
R
xxE(x.x
H)=
:
:
1
N
:
N x Nsnapshot
30 x 10.000
*)*) : http://www.radartutorial.eu/10.processing/sp05.en.html; asumsi
Operasi :
N
2x N
snapshot2
900 x 100.000.000
Nyqui
st
CS
CS
N x Ncs
30 x
10
Operasi :
N
2x N
cs2
Nyquist
900 x 100
19
II.
PENELITIAN CS-DoA
Paper yang berupaya untuk Menggabungkan
CS dan DoA
Paper No
Metode
FOCUSS
1
Langsung dan
Minimalisasi
l
13,4
Algoritma
Greedy dan
Basis Pursuit
5, 11, 12
Kombinasi
dengan MVDR
6
Kombinasi
dengan MUSIC
8, 9, 10
Komparasi
Algoritma
2
lainnya
7
N
o Paper
1 Irina F. Gorodnitsky, and Bhaskar D. Rao, Sparse Signal Reconstruction from Limited Data Using FOCUSS: A Re-weighted Minimum Norm Algorithm, IEEE Trans SP, 1997
2 Ying Wang, Geert Leus, Ashish Pandharipande, Direction Estimation Using Compressive Sampling Array Processing,
IEEE SSP 2009
3 V Krishnaveni, Beamforming for Direction-of-Arrival (DOA) Estimation-A Survey, International Journal of Computer Applications Volume 61– No.11, Jan 2013
4 Ali Cafer Gurbuz, James H. McClellan, A Compressive Beamforming Method
5 Aris Gretsistas, Mark D. Plumbley, A Multichannel Spatial Compressed Sensing
Approach for Direction of Arrival Estimation, Internal Publication of QM Univ.
6 Ying Wang, Ashish Pandharipande, Geert Leus, Compressive sampling based MVDR spectrum sensing, IAPR 2010
7 Zhiyuan Weng, Xin Wang, Support recovery in compressive sensing for
estimation of Direction-Of-Arrival, SSC 2011
8 Albert C Fannjiang The MUSIC algorithm for sparse objects: a compressed sensing analysis IOP 2011
9 Jong Min Kim, Compressive MUSIC: A Missing Link between Compressive Sensing and Array Signal Processing, SIAM 2010
10 Jong Min Kim, Compressive MUSIC: Revisiting the Link
Between Compressive Sensing and Array Signal Processing Information, IEEE Trans. Inf Theory, Jan. 2012
11 Wei Dai, Olgica Milenkovic Subspace Pursuit for Compressive Sensing Signal, IEEE Trans. Inf Theory, April 2009
12 Marco Rossi, Alexander M. Haimovich, Yonina C. Eldar, Spatial
Compressive Sensing in MIMO Radar with Random Arrays, IEEE Trans. on SP 2013
Paper 1, 10 dan 11 akan
dibahas pada Bagian III:
III.
Critical Review
I. Irina F. Gorodnitsky, and Bhaskar D. Rao,
Sparse Signal Reconstruction from Limited Data Using
FOCUSS: A Re-weighted Minimum Norm Algorithm,
IEEE Transaction on Signal Processing, 1997
Latar Belakang
-
Perlunya algoritma yang dapat bekerja pada data
yang sedikit namun berasal dari data
sparse
-
Beberapa aplikasi spt
neuroimaging
yang tidak
memungkinkan akuisisi data yang komprehensif
(pada suatu kondisi)
-
Beberapa aplikasi seperti
DoA
secara tradisional
mengolah data yang sangat besar padahal
umumnya berupa data
sparse
-
Kelemahan algoritma Rekonstruksi yang ada
(
Greedy
: tidak memanfaatkan
nature
dari sinyal
Paper #1 : Metode
21
FOCUSS
•
Mentransformasi matriks pengamatan
•
Transformasi dilakukan dengan proses iterasi
•
Basis algoritma adalah dari Pseudo Invers:
�
+
¿
(
�
∙
��
)
−
1
�
Paper #1 : Novelty
Novelty
◦
Mengusulkan metode
modifkasi
dari algoritma dengan norm
minimum (menamainya dengan :
FOCUSS
)
◦
Penulis menyertai dengan
dasar
teori matematik
◦
Penulis membuktikannya dengan
contoh aplikasi pada
Neuroimaging
Paper #1 : Hasil dan Peluang
Pengembangan
Hasil
23 Pap erNo
Metod
e
Kelebihan
Kekurangan
Peluang
Pengembang
an
1. FOCUSS • Sederhana
• Spektrum DoA yang tajam
• Resolusi tinggi
• Proses iterasi, dapat tidak konvergen
• Perhitungan
III.
Critical Review
2. Ying Wang, et. al.
Direction Estimation Using Compressive Sampling Array
Processing
IEEE SSP, 2009
Latar Belakang
-
Perlunya skema yang efsien dalam
mengimplementasikan CS pada DoA
-
Skema implementasi (
hardware
) masih sangat
jarang
-
Skema pemilihan matriks CS belum dibahas
Paper #2 : METODE
25
Skema CS di Rx yang
diusulkan:
CS dilakukan dengan matriks
Spektrum DoA
diperoleh:
Pengujian
dilakukan
untuk 36
◦
Mengusulkan skema Rx untuk
CS-DoA
◦
Pengusulan Skema Sub-Sampling
yang lebih efsien di Rx dibanding
Gaussian Random Sampling
yang
umum diketahui
◦
Pendemonstrasian
penggabungan
metoda
DoA MVDR dengan CS
Paper #2 : Hasil dan Peluang
Pengembangan
27 Pap erNo
Metod
e
Kelebihan
Kekurangan
Peluang
Pengembang
an
3. Metode CS langsung dengan penguran gan Spatial • Spektrum DoA yang tajam • Resolusi tinggi • Tambahan kompleksitas hardware pada sisi penerima
• Aspek teoritis dari pemilihan CS matriks belum diuraikan
• Pemilihan matriks CS A yang optimal • Penyelidikan algoritma dalam lingkungan noisy dan banyak sinyal sumber • Hanya melakukan pengurangan
III.
Critical Review
3. Jong Min Kim, et. al.
Compressive MUSIC: Revisiting the Link Between
Compressive Sensing and Array Signal Processing
Information
IEEE Transaction on Information Theory, 2012
29
PAPER #3 : METODE
Penulis
mengadopsi
algoritma DoA
MUSIC,
kemudian
memodifkasi
dengan skema
CS seperti
PAPER #3 : NOVELTY
Kontribusi dari Paper ini adalah :
•
Unifkasi antara CS dan Array Processing (MUSIC) yang
sebelumnya dipelopori oleh Feng dan Bresler (1990an)
•
Unifkasi tersebut dibuktikan dengan Teori Matematik
•
Unifkasi tersebut disebut penulis sebagai
Compressive
MUSIC
31
Paper #3 : Hasil dan Peluang
Pengembangan
Paper
No
Metod
e
Kelebihan
Kekurangan
Peluang
Pengembang
an
3. CS-MUSIC Memberikan dasar matematis sebagai jembatan CS dan DoA (MUSIC) • Simulasi terhadap berbagai macam sinyal belum dilakukan • Penggabungan ini menyebabkan tambahan komplesitas di sisi penerima, optimasi belum dibahas • Menerapkan penurunan yang sama untuk Algoritma ESPRIT - CS
32
IV RESUME EKSPLORASI:
1. Paper
CS-DoA
umumnya adalah paper
•
Teori
•
Proposal awal dengan hasil simulasi awal
Oleh karena itu, peluang dalam
pengembangan
dan
pematangan
2. Algoritma CS
+ algoritma DoA =
Algoritma
CS-DoA [Peluang investigasi penggabungan
masih luas]
3. Paper CS-DoA pada umumnya dilakukan pada
lingkungan
penerima
tidak bergerak
(radar
statis), lingkungan bergerak belum dibahas.
Di sisi lain,
Channel Compressive Sensing
telah mulai berkembang luas *)