低秩Toeplitz协方差矩阵的极大似然估计

本文最后更新于:2020年11月17日 上午

写在前面

最近需要讲论文,所以找了个简短的letter[1]。还是结构化矩阵低秩表示方向的,不过是从极大似然估计角度给出的优化建模。

优化模型的构建

极大似然估计

对于服从高斯分布的样本\(\{y_k\}_{k=1}^N\),其联合概率密度函数为 \[ p(y_1,\ldots,y_N)=\pi^{MN}|R^{-1}|^N\exp\{-\text{Tr}(R^{-1}XX^H)\} \] 取对数可得\(\text{Tr}(R^{-1}XX^H)-N\log\det R^{-1}\)。记样本协方差矩阵为\(\hat R = \frac{1}{N}\sum_{k=1}^Ny_ky_k^H\),取似然函数 \[ \min_R f(R) = \text{Tr}(\hat R R^{-1})+\log\det R \] 该极大似然估计(MLE)具有唯一解\(R_{\text{ML}}=\hat R\)

低秩Toeplitz矩阵约束的优化问题

当考虑到平稳时间序列的协方差阵是Hermitian Toeplitz矩阵,该结构化优化问题的解则不再显式表示。更进一步,秩约束条件则需要处理矩阵特征值,例如收缩阈值。对于这一类结构化保持低秩矩阵的极大似然估计问题,要么忽略Toeplitz矩阵结构,要么引入中间辅助变量。该文章则直接求解这一个极大似然估计问题。

对于的低秩Toeplitz矩阵求解问题如下: \[ \begin{aligned} &\min_R f(R) = \text{Tr}(\hat R R^{-1})+\log\det R\\ &\text{s.t.} R=T+\sigma I, \text{rank}(T)\leq \rho, T\in \mathcal T \end{aligned} \] 下面利用Toeplitz矩阵的参数化表示,将上述问题转化为向量形式的优化问题

循环嵌入

Hermitian半正定Toeplitz协方差矩阵\(T\in \mathcal T\)可在离散Fourier变换矩阵上表示 \[ T=\tilde F P \tilde F\in \mathbb R^{M\times M} \] 其中\(P\in \mathbb R^{L\times L}\)为对角阵,对角线记为\(\boldsymbol p=(p_1,\ldots,p_L)^T\)\(\tilde F=[I \quad O]F\in \mathbb R^{M\times L}\)\(F\in \mathbb R^{L\times L}\)为离散Fourier变换矩阵。Toeplitz矩阵除主对角线\(r_0\)外共轭对称,因此可以使用\(2M-1\)个元素来表示,记为\(\boldsymbol r=(r_0,\ldots,r_{M-1},r_{M-1}^*,r_{M-2}^*,\ldots,r_{1}^*)^T\),则\(\boldsymbol p=F\boldsymbol r\)

这种嵌入具有一种缺点,即频率有可能不在Fourier网格(grid)上。对于秩为\(r\)的半正定Toeplitz矩阵\(T\),下面给出一种相似的Caratheodory参数化分解形式。 \[ T=APA^H \] 其中\(P\)为对角阵,对角元素为\((\alpha_1^2,\ldots,\alpha_r^2)\),矩阵\(A\)具有Vandermonde结构 \[ A=\begin{pmatrix} 1&1&\ldots&1\\ e^{jw_1}&e^{jw_2}&\cdots&e^{jw_r}&\\ e^{j2w_1}&e^{j2w_2}&\cdots&e^{j2w_r}&\\ \cdots&\cdots&\cdots&\cdots&\\ e^{j(M-1)w_1}&e^{j(M-1)w_2}&\cdots&e^{j(M-1)w_r}& \end{pmatrix} \] 则序列\(\{w_k\}\)和序列\(\{\alpha_k\}\)表示频率和振幅。从Caratheodory参数化分解形式可以看出频率\(\{w_k\}\)不受约束位于Fourier网格上,而基于离散Fourier变换矩阵的参数化需要严格要求频率位于Fourier网格上,可视为Toeplitz矩阵的近似表示。为提高参数化的准确性,可增加维度\(L\)

向量形式的优化问题

下面用\(F\)来代替\(\tilde F\),因此对应的向量形式的等价优化问题如下。 \[ \begin{aligned} &\min_{\boldsymbol p} f(\boldsymbol p) = \text{Tr}(\hat R R^{-1})+\log\det R\\ &\text{s.t.} R=F(P+\sigma I)F^H, P=\text{diag}(\boldsymbol p),\|\boldsymbol p\|_0\leq\rho \end{aligned} \]

基于MM的模型求解算法

MM框架最核心的步骤是构造一个代理函数(surrogate)来控制目标函数的上界。下面首先给出一些目标函数的上界估计。

上界放缩

在第\(t\)次迭代中,记\(R\)的估计为\(R_t\)\(P\)的估计为\(P_t\)。此时有\(R_t=AP_tA^H\)\[ \begin{aligned} \log\det R_t + \text{Tr}(R_t^{-1}(R-R_t)) & \geq \log\det R\\ R_t^{-1}AP_tP^{-1}P_tA^HR_t^{-1} & \succeq (APA^H)^{-1} \end{aligned} \]

  • 第一个式子可以利用函数\(\log\det(\cdot)\)为凹函数(concave),也可从特征值角度结合一个基本不等式得到。
  • 第二个式子是其他文献里证明的一个性质,这里的\(A\)可替换成\(F\)\(P\)可替换成\(P+\sigma I\)\(P_t\)可替换成\(P_t+\sigma I\)

代理函数及最优化

有了这两个放缩,可构造一个放缩函数\(g(\boldsymbol p|\boldsymbol p_t)\)来控制\(f(\boldsymbol p)\)\[ \begin{aligned} f(\boldsymbol p) =& \text{Tr}(\hat R R^{-1})+\log\det R\\ \leq& \text{Tr}(\hat R R^{-1})+\log\det R_t + \text{Tr}(R_t^{-1}R) +c\\ \leq& \text{Tr}(\hat R R_t^{-1}F(P_t+\sigma I)(P+\sigma I)^{-1}(P_t+\sigma I)F^HR_t^{-1})\\ &+\log\det R_t + \text{Tr}(R_t^{-1}(FPF^H+\sigma I)) +c\\ =&\text{Tr}((P+\sigma I)^{-1}(P_t+\sigma I)F^HR_t^{-1}\hat R R_t^{-1}F(P_t+\sigma I))\\ &+\text{Tr}(F^HR_t^{-1}FP)+c\\ =&\boldsymbol w_t^H\boldsymbol p +\boldsymbol d_t^H(\boldsymbol p+\sigma \boldsymbol1)^{-1}+c = g(\boldsymbol p|\boldsymbol p_t) \end{aligned} \] 其中 \[ \begin{aligned} \boldsymbol w_t &= \text{diag}(F^HR_t^{-1}F)\\ \boldsymbol d_t &= \text{diag}((P_t+\sigma I)F^HR_t^{-1}\hat R R_t^{-1}F(P_t+\sigma I)) \end{aligned} \] 因此仅需要对\(g(\boldsymbol p|\boldsymbol p_t)\)求解极小化问题即可。 \[ \begin{aligned} &\min_{p_k} g(\boldsymbol p|\boldsymbol p_t) = \boldsymbol w_t^H\boldsymbol p +\boldsymbol d_t^H(\boldsymbol p+\sigma \boldsymbol1)^{-1}\\ &\text{s.t.} p_k \geq 0,\|\boldsymbol p\|_0\leq\rho \end{aligned} \] 该问题显然是可分离变量的,对单个变量\(p_j\)\[ g(p_j|\boldsymbol p_t)=w_jp_j + \frac{d_j}{p_j+\sigma} \] 对应的最优解为 \[ g^\star(p_j|\boldsymbol p_t)=\begin{cases} \frac{d_j}{\sigma}&(p_j^\star=0)&d_j\leq\sigma w_j\\ 2\sqrt{d_jw_j}-\sigma w_j&(p_j^\star=\sqrt{\frac{d_j}{w_j}}-\sigma)&d_j>\sigma w_j\\ \end{cases} \] 为满足\(\|\boldsymbol p\|_0\leq\rho\),仅需要计算所有分量最优解的差异 \[ e_j=\frac{d_j}{\sigma}-(2\sqrt{d_jw_j}-\sigma w_j) \] 取前\(\rho\)个最大的\(e_j\),令对应的分量\(p_j\)非零,其余分量设为零,可得满足所有约束的最优解。

算法流程图

注记

  • 算法对初始值敏感
  • \(g(\boldsymbol p|\boldsymbol p_t)\)生成的序列\(\{\boldsymbol p_t\}\)能保证\(f(\boldsymbol p)\)单调递减
  • 计算复杂度低
  • 频率在Fourier网格仍是一个问题
  • 没有计算Cramer-Rao界
  • 噪声水平\(\sigma\)与矩阵秩\(\rho\)的估计

小结

前面写的基于Toeplitz结构的协方差估计都是使用截断奇异值分解+平均算子,本文则通过Toeplitz矩阵的参数化表示转化为向量形式的优化问题,利用MM算法求解极大似然估计问题。

References

  1. Babu P . MELT—Maximum-Likelihood Estimation of Low-Rank Toeplitz Covariance Matrix[J]. IEEE Signal Processing Letters, 2016, 23(11):1587-1591. ↩︎

本博客所有文章除特别声明外,均采用 CC BY-SA 4.0 协议 ,转载请注明出处!