A Large-Dimensional Analysis of ESPRIT DoA Estimation: Inconsistency and a Correction via RMT

1. Problema e Contesto

Il lavoro affronta il problema della stima della Direzione di Arrivo (DoA) dei segnali in sistemi a array di sensori (ad esempio, radar, sonar, comunicazioni wireless) quando si opera in un regime large-dimensional (alta dimensionalità).
In questo regime, la dimensione dell'array ($N$, numero di sensori) e il numero di snapshot (campioni temporali, $T$) crescono entrambi all'infinito mantenendo un rapporto costante $N/T \to c \in (0, \infty)$.

• Limitazione delle metodologie classiche: Gli algoritmi di stima DoA basati sui sottospazi, come ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques), si basano tradizionalmente sulla decomposizione spettrale della Matrice di Covarianza Campionaria (SCM).
• Il fallimento in alta dimensionalità: Quando $N$ e $T$ sono comparabili, la SCM non è più un buon stimatore della matrice di covarianza della popolazione (population covariance). Gli autovettori e gli autovalori della SCM sono distorti rispetto a quelli reali a causa di effetti di "fase transizione" tipici della teoria delle matrici casuali (RMT).
• Conseguenza: Il paper dimostra che, in questo regime, l'algoritmo ESPRIT classico produce stime DoA inconsistenti (l'errore di stima non tende a zero anche al crescere di $N$ e $T$), sia per sorgenti ben separate che per sorgenti strettamente vicine (closely-spaced).

2. Metodologia

Gli autori utilizzano strumenti avanzati della Teoria delle Matrici Casuali (RMT) per analizzare il comportamento asintotico di ESPRIT e proporre una correzione.

• Analisi Asintotica: Si studia il comportamento degli autovalori e degli autovettori della SCM quando $N, T \to \infty$ con $N/T \to c$. Si fa riferimento alla legge di Marčenko-Pastur e ai modelli di covarianza "spiked" (con picchi di segnale).
• Caratterizzazione del Bias: Viene dimostrato che la matrice empirica $\hat{\Phi}$ utilizzata da ESPRIT (che combina i sottospazi di due sub-array) converge non alla matrice teorica $\Phi$, ma a una matrice distorta $\bar{\Phi}$, influenzata da un fattore di bias dipendente dal rapporto $c$ e dal rapporto Segnale-Rumore (SNR).
• Nuovo Legame Teorico: Per gestire la complessità matematica (in particolare la dipendenza non banale tra le voci di matrici non hermitiane e i loro autovalori), gli autori derivano un nuovo limite (bound) sulla differenza degli autovalori tra due matrici (possibilmente non hermitiane). Questo limite si basa sul confronto dei prodotti delle voci degli indici che formano cicli (cycle products), superando le limitazioni delle tecniche RMT standard che si applicano solo alle forme bilineari diagonali.
• Correzione tramite RMT: Sulla base dell'analisi del bias, viene proposto un nuovo algoritmo, G-ESPRIT (Generalized ESPRIT), che stima e rimuove sistematicamente i termini di bias introdotti dall'alta dimensionalità.

3. Contributi Chiave

1. Dimostrazione di Inconsistenza di ESPRIT:

   • Viene provato (Teorema 2) che l'algoritmo ESPRIT classico fornisce stime inconsistenti nel regime $N, T \to \infty$ con $N/T \to c$.
   • L'inconsistenza si manifesta sia nel caso di sorgenti ben separate (widely-spaced) che strettamente vicine (closely-spaced), a meno di casi speciali molto specifici (es. sorgenti non correlate e ben separate).

2. Proposta di G-ESPRIT:

   • Viene introdotto un algoritmo migliorato, G-ESPRIT (Algoritmo 2), che corregge il sottospazio del segnale stimato.
   • L'algoritmo stima i parametri di bias ($g_k$) direttamente dalla SCM e li utilizza per "de-biasare" la matrice di rotazione prima di calcolare gli angoli DoA.
   • Viene dimostrato (Proposizione 1) che G-ESPRIT fornisce stime consistenti (e $N$-consistenti per sorgenti vicine) nello stesso regime asintotico.

3. Risultato Tecnico Indipendente (Teorema 3):

   • Viene stabilito un nuovo limite teorico per la differenza tra gli autovalori di due matrici non hermitiane, basato sulla vicinanza dei prodotti delle voci lungo i cicli degli indici. Questo risultato è di interesse indipendente per l'analisi spettrale di matrici strutturate.

4. Risultati e Simulazioni

Le simulazioni numeriche confermano le previsioni teoriche:

• Confronto ESPRIT vs G-ESPRIT:
  • In scenari con sorgenti correlate e ben separate, l'ESPRIT classico mostra un errore quadratico medio (MSE) elevato e non tende a zero (inconsistenza), mentre G-ESPRIT converge alla verità.
  • In scenari con sorgenti strettamente vicine (distanza angolare dell'ordine di $O(N^{-1})$), l'ESPRIT classico fallisce nel distinguere le sorgenti, mentre G-ESPRIT riesce a separarle con un errore di stima dell'ordine di $O(N^{-3/2})$.
• Robustezza: G-ESPRIT mantiene prestazioni superiori rispetto a ESPRIT e anche rispetto a G-MUSIC (l'equivalente corretto di MUSIC) in scenari ad alta coerenza e con diversi modelli di rumore (inclusi rumori non gaussiani come Rademacher e a code pesanti, sebbene con limitazioni teoriche per i rumori a varianza infinita).
• Confronto con il CRB: In molti casi, G-ESPRIT si avvicina al limite di Cramér-Rao (CRB), dimostrando di essere uno stimatore quasi ottimale in regime di grandi dimensioni.

5. Significato e Impatto

Questo lavoro è significativo per diversi motivi:

• Superamento del "Threshold Effect": Spiega teoricamente perché i metodi classici falliscono quando il numero di snapshot è limitato rispetto alla dimensione dell'array, un problema comune nelle applicazioni moderne (es. Massive MIMO, array radar a grande apertura).
• Correzione Pratica: Fornisce un algoritmo semplice da implementare (G-ESPRIT) che corregge i difetti teorici di ESPRIT senza richiedere un costo computazionale proibitivo, rendendolo immediatamente utilizzabile in sistemi reali.
• Avanzamento Teorico: Estende l'applicazione della RMT ai metodi di stima DoA basati sulla rotazione (ESPRIT), che sono matematicamente più complessi dei metodi basati sulla proiezione spettrale (come MUSIC), e introduce nuovi strumenti analitici per lo studio delle matrici non hermitiane.

In sintesi, il paper dimostra che l'ESPRIT classico è inadeguato per array di grandi dimensioni con pochi campioni, ma offre una soluzione rigorosa e provata (G-ESPRIT) che ripristina la consistenza statistica e migliora drasticamente la risoluzione angolare.