Cramér-Rao Bound Analysis and Near-Optimal Performance of the Synchronous Nyquist-Folding Generalized Eigenvalue Method (SNGEM) for Sub-Nyquist Multi-Tone Parameter Estimation

Sintesi Tecnica: Analisi del Limite di Cramér-Rao e Prestazioni Quasi-Ottimali di SNGEM

Definizione del Problema
Il documento affronta la sfida del monitoraggio spettrale a banda larga nel radar, nelle comunicazioni 6G e nella strumentazione, dove i tassi di campionamento richiesti (decine di GS/s) superano le capacità attuali dei convertitori analogico-digitali (ADC). Sebbene il Compressive Sensing (CS) classico offra una soluzione tramite metodi $\ell_1$ o greedy, esso soffre di limitazioni significative, tra cui il disallineamento della base (basis mismatch), il bias off-grid e una scarsa accuratezza nella stima di ampiezza e fase. I metodi deterministici esistenti spesso mancano di un'analisi rigorosa dell'efficienza statistica per giustificare le loro prestazioni in condizioni di estremo sottocampionamento di Nyquist.

Metodologia
Lo studio si concentra sul Metodo degli Autovettori Generalizzati con Nyquist-folding Sincrono (SNGEM). A differenza delle matrici di misura casuali utilizzate nel CS, SNGemann impiega un approccio deterministico acquisendo simultaneamente un segnale $x[n]$ e la sua derivata temporale discreta $\dot{x}[n]$ (il canale differenziale).

• Modello del Segnale: Gli autori modellano un singolo tono reale immerso in rumore bianco gaussiano (AWGN) a doppio canale. Entrambi i canali condividono la stessa varianza del rumore, risultando in rapporti segnale-rumore (SNR) uguali.
• Stima dei Parametri: Il metodo stima la frequenza indirettamente calcolando il parametro del rapporto di ampiezza $R = A/B$, dove $A$ è l'ampiezza del segnale originale e $B$ è l'ampiezza del segnale derivato (dove $B = 2\pi f A$).
• Analisi Statistica: Il nucleo del documento è la derivazione del limite di Cramér-Rao (CRB) esatto per questo parametro del rapporto di ampiezza sotto rumore gaussiano a doppio canale con SNR uguale. Gli autori utilizzano l'informazione di Fisher per le singole stime di ampiezza per derivare la varianza relativa del rapporto $R$ e, di conseguenza, della frequenza $f$.

Contributi Chiave

1. Derivazione del CRB in Forma Chiusa: Il documento fornisce il primo CRB in forma chiusa per la stima della frequenza tramite rapporto di ampiezza a doppio canale. Stabilisce che la varianza relativa della stima della frequenza è:
   $$\frac{\text{Var}(\hat{f})}{f^2} \geq \frac{2}{N \cdot \text{SNR}}$$
2. Quantificazione della Penalità di Prestazione: L'analisi rivela che la stima della frequenza tramite il rapporto di ampiezza comporta una penalità di esattamente 2× (3 dB) rispetto al classico CRB deterministico a canale singolo ($1/(N \cdot \text{SNR})$). Gli autori caratterizzano questo come un limite "sorprendentemente piccolo", spiegando la robustezza del metodo.
3. Validazione Comparativa: Lo studio confronta l'algoritmo Orthogonal Matching Pursuit (OMP), un approccio CS standard, utilizzando simulazioni Monte-Carlo.

Risultati

• Prestazioni in Assenza di Rumore: In condizioni prive di rumore, SNGEM raggiunge valori di errore quadratico medio (RMSE) di frequenza, ampiezza e fase inferiori a $10^{-14}$ (precisione di macchina) attraverso tutti i rapporti di compressione testati (8–20×).
• Prestazioni in Presenza di Rumore: Simulazioni con 5.000 iterazioni indipendenti mostrano che SNGEM segue il CRB teorico a doppio canale entro un fattore di 1,1–1,3× attraverso livelli di SNR compresi tra -10 dB e 50 dB.
• Confronto con OMP: Mentre SNGEM si avvicina al limite teorico, l'OMP presenta un pavimento di errore irreducibile ($> 10^{-5}$ a $10^{-4}$) indipendente dall'SNR. Questo pavimento è attribuito al bias della griglia DFT e al rumore di aliasing inerente all'approccio di compressive sensing.

Significato e Rivendicazioni
Il documento afferma che SNGEM è statisticamente quasi-ottimale per l'analisi parametrica spettrale deterministica sub-Nyquist. La significatività primaria risiede nel dimostrare che la stima indiretta della frequenza tramite il rapporto di ampiezza dei canali sincronizzati (segnale e derivata) comporta una perdita di prestazioni trascurabile di soli 3 dB rispetto al campionamento a frequenza completa.

Gli autori asseriscono che questa efficienza statistica, unita alla natura deterministica del metodo e alla mancanza di dipendenza dalla progettazione di matrici casuali, consente a SNGEM di superare drasticamente il classico compressive sensing in termini di accuratezza, robustezza e requisiti di calibrazione. Il documento conclude che il CRB derivato fornisce l'analisi di efficienza statistica mancante che valida la capacità di SNGEM di ottenere la stima completa dei parametri ad estremi rapporti di compressione.