Ying Wang_†, Geert Leus†, Ashish Pandharipande | DIRECTION ESTIMATION USING COMPRESSIVE SAMPLING ARRAY PROCESSING
1. Ying Wang_†, Geert Leus†, Ashish Pandharipande | DIRECTION
ESTIMATION USING COMPRESSIVE SAMPLING ARRAY PROCESSING
Problem
Contribution
Method
Result
Limitation
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.
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
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.
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.
1). Penulis belum secara komprehensif
membuktikan klaimnya tentang
keuntungan hardware dan software
dalam bentuk berapa jumlah komponen
yang dihemat, atau berapa jumlah
operasi software yang berhasil dikurangi
dengan skema tersebut
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.
Penulis membandingkan skema SP yang
ditawarkan dengan skema CS yang telah
ada yaitu skema Linear Programming,
skema Standard OMP dan skema
Regularized OMP. Skema ini diujicobakan
pada dua macam sinyal yaitu sinyal
sparse Gaussian dan sinyal sparse biner.
Hasil simulasi menunjukkan bahwa
Result
Limitation
skema SP superior untuk sinyal sparse
Gaussian, dan mendekati skema Linear
Programming untuk sinyal sparse biner.
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
Contribution
Method
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.
Paper
ini
berkontribusi
dengan
memberikan hasil-hasil penelitian pada
dua skema penerapan CS pada DoA
yaitu skema temporal compression dan
skema spatial compression.
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.
Untuk kedua skema di atas, algoritma
DoA yang digunakan adalah algoritma
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
berkas sinyal kirim. Penulis merumuskan
persamaan sinyal terima pada elemen
ke-n dari antena penerima. Citra dari
Result
Limitation
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.
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.
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
dikumpulkan pada durasi waktu yang cukup
tinggi. Kedua masalah ini (antena array yang
besar dan durasi yang tinggi) menghasilkan
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.
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
Result
Limitation
Penulis belum memberikan analisis
tambahan kompleksitas hardware yang
diperlukan akibat dari tambahan matriks
kompresi A yang digunakan.
ESTIMATION USING COMPRESSIVE SAMPLING ARRAY PROCESSING
Problem
Contribution
Method
Result
Limitation
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.
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
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.
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.
1). Penulis belum secara komprehensif
membuktikan klaimnya tentang
keuntungan hardware dan software
dalam bentuk berapa jumlah komponen
yang dihemat, atau berapa jumlah
operasi software yang berhasil dikurangi
dengan skema tersebut
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.
Penulis membandingkan skema SP yang
ditawarkan dengan skema CS yang telah
ada yaitu skema Linear Programming,
skema Standard OMP dan skema
Regularized OMP. Skema ini diujicobakan
pada dua macam sinyal yaitu sinyal
sparse Gaussian dan sinyal sparse biner.
Hasil simulasi menunjukkan bahwa
Result
Limitation
skema SP superior untuk sinyal sparse
Gaussian, dan mendekati skema Linear
Programming untuk sinyal sparse biner.
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
Contribution
Method
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.
Paper
ini
berkontribusi
dengan
memberikan hasil-hasil penelitian pada
dua skema penerapan CS pada DoA
yaitu skema temporal compression dan
skema spatial compression.
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.
Untuk kedua skema di atas, algoritma
DoA yang digunakan adalah algoritma
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
berkas sinyal kirim. Penulis merumuskan
persamaan sinyal terima pada elemen
ke-n dari antena penerima. Citra dari
Result
Limitation
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.
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.
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
dikumpulkan pada durasi waktu yang cukup
tinggi. Kedua masalah ini (antena array yang
besar dan durasi yang tinggi) menghasilkan
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.
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
Result
Limitation
Penulis belum memberikan analisis
tambahan kompleksitas hardware yang
diperlukan akibat dari tambahan matriks
kompresi A yang digunakan.