Está en la página 1de 8

UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012

ANLISIS DE LA EFICIENCIA DEL ALGORITMO DE


RECONSTRUCCIN DE SEALES BASADO EN LA MEDIANA
PONDERADA A TRAVS DE LA REGRESIN DE COX
Jabbour George 1 y Paredes Jose Luis 1
(Recibido febrero 2012, Aceptado mayo 2012)
1
Universidad de los Andes
jabbour@ula.ve

Resumen: En el presente artculo se analiza, a travs del modelo de regresin de Cox, la eficiencia del
algoritmo de reconstruccin de seales basado en la regresin de Mediana Ponderada, en el contexto del
Sensado Comprimido. Se realizaron 1620 reconstrucciones de seales de diferente tamao, con
diferente tamao de soporte (K), y variando adems, el nmero de medidas (M) y el parmetro de
regularizacin (), que forma parte esencial del algoritmo bajo estudio. Entre los resultados ms
importantes obtenidos se encuentra que la eficiencia del algoritmo tiene un comportamiento parablico
invertido con respecto a , alcanzando su mximo en =0.8. Adems, se encontr que este algoritmo
tiende a ser sensible a variaciones de y M, de manera que con ligeros cambios en estos parmetros el
algoritmo puede cambiar radicalmente su velocidad de convergencia. As, ajustando adecuadamente el
valor de M se logra controlar el comportamiento inestable antes descrito, pues si la relacin M/K pasa
de 7 a 9, la probabilidad de que el algoritmo presente un buen desempeo aumenta del 40% al 70%. De
igual manera, si el valor de cambia de 0.5 a 0.9, la probabilidad de que el algoritmo presente un buen
desempeo aumenta de 0.14 a 0.96.
Palabras clave: Reconstruccin de seales/ Sensado comprimido/ Mediana ponderada/ Regresin de Cox/ Anlisis
de supervivencia.

ANALYSIS OF THE EFFICIENCY OF WEIGHTED MEDIAN-


BASED SIGNAL RECONSTRUCTION ALGORITHM THROUGH
COX REGRESSION
Abstract: In this paper, the efficiency of the algorithm for compressive sensing (CS) signal reconstruction based on
weighted median regression (WMR) is analyzed through a Cox-regression model. We perform 1620
reconstructions for signals with different dimension (N), sparsity (K), number of measurements (M) and
regularization parameter () that induces sparsity in the solution. Among the most relevant results, we find that the
algorithm efficiency, as a function of the regularization parameter, follows an inverted parabolic function reaching
its maximum at = 0.8. Furthermore, we show that the reconstruction algorithm is quite sensible to and M. Thus,
a slight change on those parameters leads to a notable variation on the algorithms convergence speed. Therefore,
by suitably tunning the number of measurements, we can control the volatile described above. Thus, if the ratio
N/M goes from 7 to 9, the probability of having a good performance increases from 0.4 to 0.7. Furthermore, if
changes from 0.5 to 0.9 this probability increases from 0.14 to 0.96.
Keywords: Signal Reconstruction/ Compressive Sensing/ Weighted Median/ Cox Regression/ Survival Analysis.

I. INTRODUCCIN dispositivos de adquisicin de datos extremadamente


En el campo del muestreo/reconstruccin de seales, el rpidos; o cuando la seal es de alta resolucin (p.e. una
teorema de Shannon-Nyquist establece que no habr fotografa de alta resolucin o un video de alta calidad),
prdida de informacin si la seal original es muestreada requiriendo de espacio de almacenamiento, canal de
con una frecuencia de al menos el doble del ancho de comunicacin y procesamiento (hardware y suministro de
banda de la misma [1]. Dependiendo de las caractersticas energa) de gran escala [2][3][7]. Adicionalmente, en el
de la seal original, esta condicin puede representar una rea de telecomunicaciones siempre ha existido un mar-
seria limitacin, especialmente, cuando la seal es de cado inters por reducir el tamao de las seales a trans-
banda ultra-ancha, demandando el uso de sensores o mitir, y con ello, disminuir los costos de transmisin [4].

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
173
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
En definitiva, es indiscutible el gran beneficio que seal original x[n] a partir de y[m] con ninguna o poca
representa el disponer de una herramienta que sea capaz prdida de informacin, siendo M un valor mucho menor
de generar representaciones de seales de baja que N (un M muy pequeo implica una alta tasa de
dimensionalidad (por debajo de la tasa de Nyquist) con compresin pero con relativa baja probabilidad de
poca o ninguna prdida de informacin; y es esto reconstruccin, y viceversa) [8][9]. La condicin de que la
precisamente lo que ha servido de punto de partida para la seal de inters debe ser discreta en tiempo obedece al
gnesis del mtodo llamado Sensado Comprimido (SC) nico propsito de simplificar la presentacin del mtodo,
[5][6], cuya eficacia no depende del ancho de banda de la sin embargo, el concepto de SC puede ser aplicado a
seal bajo anlisis sino de la cantidad de informacin de seales analgicas donde el proceso de proyeccin ocurre
la misma [9]. En este sentido, el SC ha surgido como una en el dominio analgico.
tcnica vanguardista en el campo del Matemticamente, la secuencia de medidas, y[m], se
muestreo/reconstruccin de seales, permitiendo obtiene al proyectar el vector x=[x[1],,x[N]]T en un
representar seales mediante un nmero reducido de nuevo espacio M-dimensional, representado por una base
medidas, y a su vez, ofreciendo herramientas capaces de obtenida aleatoriamente. Esto es:
reconstruir las seales originales con muy poca prdida de
y x ;
informacin. As, el SC simplifica el proceso de
adquisicin a un costo de tener una mayor complejidad en 11 1N
1 N ;
el proceso de reconstruccin.
An as, existe la necesidad de mejorar los resultados de
M 1 MN
este novedoso enfoque de adquisicin de seales,
n 1n Mn T ; (n=1,,N)
apuntando a simplificar su aplicacin, y a su vez, hacerlo
(1)
cada vez ms robusto, ya que entre sus principales
desventajas se encuentra la complejidad y la gran cantidad en donde es conocida como la matriz de proyecciones
de cmputos asociados a sus algoritmos en la fase de aleatorias o matriz de medidas, cuyas componentes son
reconstruccin [2][3][4][7][8]. Por esta razn, el presente realizaciones de una variable aleatoria tipo Gaussiana o
artculo pretende generar resultados que permitan a los Bernoulli. Para que la proyeccin resultante, y[m],
investigadores y usuarios de este tipo de mtodos conocer contenga la informacin relevante que permita reconstruir
aspectos tcnicos relacionados con la eficiencia de los a x[n] con una prdida de informacin despreciable, sta
algoritmos que forman parte del mismo, y as, facilitar su ltima debe ser una seal poco densa en un dominio
uso. Especficamente, se realiza un anlisis estadstico de denominado diccionario de representacin y la matriz de
la influencia de las caractersticas relativas a la seal a proyeccin debe ser incoherente con este diccionario [9].
recuperar/reconstruir y del parmetro de regularizacin Estrictamente hablando, x[n] debe ser una seal con K
sobre la eficiencia del algoritmo de reconstruccin de componentes no nulos en el dominio del tiempo o en
seales basado en la regresin de mediana ponderada. Se cualquier otro dominio creado por funciones
escoge este algoritmo de reconstruccin en particular parametrizadas que conformen un diccionario, tal como se
dado que segn fue mostrado en [8], es robusto a una gran define a continuacin:
variedad de tipos de ruido que pudiera contaminar las
mediciones, adems de la facilidad para seleccionar el Seal K-sparse. Sea =[1 N]; n=[1n,,Nn]T
parmetro de regularizacin que define el grado de (n=1,,N); una base ortonormal que define los elementos
densidad de la seal a reconstruir. de un diccionario, y s=[s1,,sN] un vector de coeficientes
La organizacin del artculo es como sigue. Primero, en tales que:
las secciones 2 y 3, se presentan los fundamentos bsicos N
que forman parte del mtodo SC, el mtodo de x s s
n 1
n n (2)
reconstruccin de seales basado en la mediana
ponderada, as como el modelo de regresin de Cox; As, x es una seal K-sparse si es posible aproximarla
luego, en la seccin 4 se describen los experimentos como una combinacin lineal de slo K vectores de , es
realizados, y en la seccin 5 se presentan los resultados decir, si K coeficientes sn poseen valores significativos
obtenidos. Finalmente, en la seccin 6, se presentan las [10]. Obviamente, slo son de inters aquellos casos en
conclusiones. donde K es mucho menor que N (K<<N), pues esto
significa que x es poco densa, y por lo tanto, es
II. DESARROLLO comprimible en un vector de medidas, y, de menor
dimensin, justificndose as el uso de esta tcnica.
1. Sensado Comprimido
1.1 Muestreo/compresin de seales 1.2 Seleccin del diccionario
Dada una seal real en tiempo discreto, finita y Es necesario encontrar una matriz (que es un espacio
comprimible, x[n] (n=1,2,,N), el objetivo del mtodo N-dimensional) tal que exista una secuencia {s} con slo
SC radica en encontrar una secuencia de medidas, y[m] K elementos no nulos, y cuya proyeccin sobre genere
(m=1,2,,M), de manera que sea posible reconstruir la

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
174
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
a la seal x. Si x es K-sparse en el dominio del tiempo no de la diferencia entre la seal original y la seal
es necesario proyectarla en un espacio alternativo, y en su reconstruida en el espacio de las proyecciones, y esto
lugar, simplemente se asume s=x, lo cual implica =I; es implica que esta ltima seal posea el mismo grado de
decir, si x es K-sparse en el dominio del tiempo, entonces, densidad presente en la seal original, lo cual aade una
el diccionario se puede tomar como la matriz identidad de considerable dificultad al proceso de reconstruccin.
rango N. En este caso, se dice que la seal es poco densa Matemticamente, la seal reconstruida se obtiene al
en el dominio cannico. resolver el siguiente problema de optimizacin [8]:
En caso de que x no sea poco densa en el dominio
cannico, el vector s no presenta las caractersticas x arg min y X l p1
X l p2
(4)
X
deseadas, de manera que se hace necesario seleccionar un
diccionario diferente, como por ejemplo, un diccionario donde . l denota la norma lp, de rdenes p1 y p2, cuyos
p
conformado por las bases de la transformada de Fourier,
de la transformada del coseno, o de la transformada valores inciden notablemente sobre el error presente en la
wavelet, o incluso de la combinacin de estas bases seal reconstruida, as como el grado de densidad (tamao
ortogonales [9]. De esta forma, en alguno de estos del soporte) de la misma. El primer trmino de (4),
diccionarios la seal x tendr una representacin con slo asociado a la norma lp1, tiene el propsito de reducir el
K coeficientes significativos error entre la seal medida y la seal proyectada, por lo
cual, generalmente se establece p1=2 inducido por la
Otro aspecto a tomar en cuenta en la seleccin del
suposicin de Gaussianidad asociada al ruido que
diccionario trata sobre su relacin con la matriz de
contamina las proyecciones. Esto conduce a una
proyecciones. En concreto, la matriz de proyecciones se
optimizacin por mnimos cuadrados. Tambin es comn
debe seleccionar de manera que sea incoherente con el
encontrar el uso de p1=1, norma que es ptima bajo el
diccionario donde la seal tiene una representacin poco
criterio de mxima verosimilitud cuando el ruido es
densa, segn se describe a continuacin.
Laplaciano. Esta norma conduce a una minimizacin de
desviacin absoluta. Sin embargo, este primer trmino por
1.3 Incoherencia entre el diccionario y la matriz de
s solo no resuelve por completo el problema bajo
proyecciones
consideracin, ya que adems de la necesidad de un error
La coherencia entre las matrices y es una medida que mnimo (al utilizar p1=1 p1=2) existe el requerimiento
refleja el grado de correlacin que existe entre estas dos de que la seal reconstruida sea poco densa al igual que la
matrices, lo cual incide sobre la probabilidad de seal original. La probabilidad de que esta ltima
reconstruir la seal original con la menor prdida de condicin sea satisfecha por una optimizacin basada slo
informacin posible: a menor coherencia entre y , en el primer trmino (mnimos cuadrados o mnima
mayor probabilidad de xito en la reconstruccin se desviacin absoluta) es sumamente baja; razn por la cual
tendra. Esta medida se define como sigue: se incorpora el trmino asociado a la norma lp2, cuyo rol
en el proceso de optimizacin se centra en controlar que el
(, ) n * max m , n (3) tamao del soporte de la seal reconstruida no sea mayor
1 m M ;1 n N
que K. Esto se logra estableciendo p2=0, es decir,
haciendo que el segundo trmino de (4) se corresponda
En la Ec. (3), m es la m-sima fila de , n es la n-sima con el tamao de soporte (seudo-norma l0) del vector X,
columna de y .,. denota el producto escalar. Mientras buscando as, que la optimizacin genere una seal que no
ms grande sea la correlacin entre estos vectores (en solo presente un error mnimo sino que tambin tenga un
valor absoluto), mayor ser la coherencia entre las tamao de soporte adecuado. Adicionalmente, se tiene el
matrices y [9]. Se ha probado que si los elementos ij parmetro de regularizacin, , cuya funcin es establecer
siguen una distribucin gaussiana o de Bernoulli, la un compromiso entre la magnitud del error y el tamao de
matriz resultante es incoherente con una gran variedad de soporte de la seal reconstruida, pues =0 equivale a
diccionarios, entre ellos los creados a partir de las bases ignorar el requerimiento relacionado con el tamao del
de Fourier, DCT y wavelet. soporte, mientras que un muy grande generara una
seal con un tamao de soporte pequeo, pero con una
1.4 Reconstruccin de la seal original: enfoque diferencia grande con respecto a la seal original, de
basado en estimaciones obtenidas mediante la manera que es importante ajustar este parmetro
regresin de mediana ponderada adecuadamente, para as obtener una solucin que sea
La reconstruccin de una seal consiste en realizar el satisfactoria desde ambos puntos de vista.
proceso inverso al de su compresin, es decir: a partir del La solucin del problema de optimizacin planteado en
vector de medidas, y, y la matriz de proyecciones, , el (4) se puede obtener a travs de mltiples mtodos, cada
objetivo es obtener la secuencia x original, aquella cuya uno de los cuales se especializa en determinadas
compresin condujo precisamente a y [8][9]. Dado que situaciones, dependiendo principalmente del grado de
x N , y M y M<N, existen mltiples soluciones al densidad y de las caractersticas de la contaminacin de la
problema inverso, por lo que se plantea la minimizacin seal original [8][9][10].

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
175
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
En el caso particular de este trabajo, se hace uso de un constante comprendida en el intervalo (0,1); haciendo que
mtodo que consiste en un enfoque regresivo basado en el umbral vaya reducindose gradualmente. El valor de 0
estimaciones obtenidas mediante el operador de Mediana fue seleccionado siguiendo los criterios establecidos en
Ponderada [9]. Este mtodo es de especial inters cuando [6].
la seal original est contaminada con ruido cuya
distribucin estadstica presenta colas con una densidad 2. Anlisis de Supervivencia a travs de la Regresin
mayor que la de una distribucin normal, lo que lo hace de Cox
robusto ante la presencia de ruido de naturaleza En el anlisis de supervivencia, uno de los principales
impulsiva. Este enfoque consiste en dividir el problema de objetivos consiste en determinar la influencia que poseen
optimizacin N-dimensional (definido en (4)) en N ciertos factores sobre el tiempo que transcurre desde que
problemas unidimensionales, de la forma: se inicia algn proceso en particular hasta que ocurre
M cierto evento de inters [10].
xn arg min
Xn
y[i]
i 1
in X n 0 X n l0
; n=1,,N (5) Entre los conceptos asociados al anlisis de supervivencia,
son de especial inters el tiempo de supervivencia, la
cuya solucin, x n , se obtiene como la mediana funcin de supervivencia, la funcin de riesgo y la
esperanza de vida [12]. En detalle, el tiempo de
ponderada de la seal residuo, seguido de un proceso de supervivencia, T, es una variable aleatoria no negativa que
umbralizacin, esto es [8]: representa el tiempo que transcurre desde que se comienza
a observar el individuo hasta que ocurre cierto evento de
y[i] j 1; j n ij x j M
N
(6)
Mediana in si rn l rn-x n 0 inters llamado muerte. Mientras no ocurra el evento de
xn in i 1 1 l1
inters, o muerte, se asume que el individuo se encuentra

0 en otro caso vivo, o en estado de supervivencia. En general, T es una
para n=1,,N. variable aleatoria continua con funcin de densidad de
probabilidad fT(t), y funcin de densidad acumulada

N
En donde rn y j x j , n es la n-sima FT(t)=P(Tt). La funcin de supervivencia se define como
j 1; j n
S(t)=1-F(t), y representa la probabilidad de que cierto
columna de y . l denota la norma lp. Esta expresin se individuo est vivo en el instante t. Por otro lado, la
p
funcin de riesgo es una medida alternativa para
utiliza iterativamente para estimar los N elementos de la
caracterizar a la supervivencia, y se define como
secuencia original, aunque, dado que en cada
H(t)=f(t)/S(t), de manera que la funcin riesgo es
optimizacin individual se toma en cuenta una sola
inversamente proporcional a la funcin de supervivencia,
variable a la vez, con N iteraciones (una iteracin para
y por lo tanto, a mayor supervivencia menor riesgo, y
cada variable) muy difcilmente se logre alcanzar el
viceversa. Por ltimo, se tiene el concepto de esperanza
ptimo global N-dimensional. Esto conlleva a la
de vida, que no es ms que la esperanza estadstica de T.
necesidad de repetir mltiples ciclos de estimacin para
Si la presencia de cierto factor aumenta la esperanza de
alcanzar la solucin ptima global, en donde se define
vida de un individuo, significa que contribuye a
como ciclo al proceso de estimar a cada xi una vez, es
incrementar el tiempo esperado que transcurre hasta que
decir, un ciclo corresponde a N iteraciones. Uno de los
ocurre el evento muerte, es decir, aumenta la funcin de
criterios ms utilizados para detener al algoritmo se basa
supervivencia, o equivalentemente, disminuye la funcin
en la energa residual normalizada, en donde, el algoritmo
2 2
de riesgo [12][13].
se detiene cuando se cumple que y x 2 / y 2
; y Dentro del conjunto de mtodos que forman parte del
como segundo criterio est el nmero mximo de ciclos, anlisis de supervivencia se encuentra la regresin de
del cual no se puede prescindir puesto que no existe una Cox, la cual se basa en un modelo que permite determinar
garanta de que el criterio anterior se vaya a satisfacer en la influencia que poseen ciertos factores sobre la funcin
algn momento, ya que es fijado en funcin del grado de riesgo, y por ende, sobre el tiempo esperado que
de exactitud que se desea obtener en la seal reconstruida transcurre hasta la ocurrencia del evento muerte en un
y en funcin del tiempo de ejecucin del algoritmo. Para contexto dado. Por lo tanto, el modelo de regresin de
finalizar, vale la pena sealar que el umbral , que en el Cox es una funcin cuya variable dependiente es el riesgo
primer ciclo toma el valor 0, va disminuyendo en el que se encuentra un individuo en el instante t, y
progresivamente de un ciclo a otro con el fin de permitir cuyas variables independientes son factores que se cree
la incorporacin de nuevos elementos no nulos a la que pueden influir sobre tal riesgo [13]; especficamente:
secuencia X. El algoritmo inicia el proceso de clculo 1 X1 2 X 2 ... p X p
asumiendo que x[i]=0 (i=1,,N), y dependiendo de la H ( t ) H 0 ( t )e (7)
importancia de cada elemento se van asignando valores no
en donde, H0(t) es el riesgo en el que se encontrara el
nulos a los mismos, y a medida que se disminuye el valor
del umbral, ms elementos se van incorporando al soporte individuo en el instante t si X1=X2==Xp=0. Es un riesgo
de la secuencia a recuperar. Es por esto que, en el k-simo referencial, que equivale a ignorar el efecto de las
ciclo, el umbral se define como k=0k, en donde es una variables independientes. La interpretacin de H0(t) es

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
176
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
irrelevante, ya que no est relacionado con ninguna de las estadstica sobre la forma en la que influye cada uno de
variables independientes del modelo, que representan el los parmetros bajo estudio.
objetivo del estudio. Por otro lado, el inters se centra en
las variables independientes, cuyo efecto se mide 4. Resultados
directamente a travs de sus coeficientes i (i=1,,p). Si A continuacin se presentan resultados estadsticos tanto
i>0, entonces la presencia del i-simo factor aumenta el descriptivos como analticos de acuerdo a lo planteado
riesgo, mientras que, si i0, entonces el i-simo factor anteriormente, haciendo nfasis en los parmetros y M
reduce el riesgo [13]. puesto que estos valores son establecidos por el
investigador, mientras que los dems valores (S, N y K)
3. Descripcin de los Experimentos son propios de la seal, y por lo tanto, no forman parte del
En el contexto de esta investigacin se desea analizar la proceso de toma de decisiones al momento de aplicar el
influencia de los factores S (seal madre), N (tamao de algoritmo bajo estudio.
la seal), K (soporte de la seal), M (nmero de
mediciones) y (parmetro de regularizacin) sobre el 4.1 Anlisis descriptivo
nmero de ciclos necesarios hasta que el algoritmo de la De las 1620 reconstrucciones de seal llevadas a cabo, en
mediana ponderada regresiva alcance la condicin de 552 casos ocurri el evento de inters (en una prueba
energa residual normalizada menor a 0.1, es decir: ocurre el evento de inters si C100): 22 casos (3.4%)
101 , haciendo uso de la regresin de
2 2
y x 2 / y para 0.45 y 530 casos (54.53%) para 0.5. Dado que
2
es necesario contar con resultados en donde exista
Cox. Para tal fin se realizaron pruebas de reconstruccin
diversidad de casos para poder analizar los factores que
para 12 seales, obtenidas a partir de 3 seales madre, S1,
influyen sobre el desempeo del algoritmo bajo estudio,
S2 y S3, generadas aleatoriamente y con una longitud de
se descartan los registros asociados a 0.45, dado que los
1024 cada una. A partir de cada una de estas 3 seales se
mismos no ofrecen tal diversidad, pues en el 96.6% de
generaron 4 seales: desde el componente 1 hasta el
estas pruebas no ocurri el evento de inters, y esto a su
componente N=256*L, para L=1, 2, 3, 4; de manera que
vez conlleva a un primer resultado que indica que no es
en total se tienen 3 seales de longitud 256, 3 de 512, 3 de
recomendable utilizar valores de inferiores a 0.5, ya que
768 y 3 de 1024. Para N=256, se utilizaron valores de K
indiferentemente de los valores de los parmetros
(en el sentido K-sparse) de 10, 14 y 18; para N=512, se
restantes, el algoritmo va a ser ineficiente con muy alta
utilizaron valores de K de 20, 28 y 36; para N=768, se
probabilidad, lo cual concuerda con lo expuesto por los
utilizaron valores de K de 30, 42 y 54; y N=1024, se
autores de este mtodo, quienes recomienda utiliza un
utilizaron valores de K de 40, 56 y 72. Adems, Para cada
0.750.95 [7]. En consecuencia, el anlisis que se
valor de N (de cada una de las seales madre) y K, se
realiza en lo sucesivo se basa slo en las 972
utilizaron 3 valores de M: 7*K, 8*K y 9*K. Por otro lado,
reconstrucciones de seal asociadas a 0.5, en donde, en
para cada combinacin de parmetros descritos
530 casos ocurri el evento de inters, distribuidos de la
anteriormente, se aplic el algoritmo de las mediana
siguiente manera:
ponderada para valores de comprendidos entre 0.2 y 0.9,
con incrementos de 0.05: = {0.20, 0.25, , 0.90}. En Tabla I. Resultados segn el valor de
resumen, se realizaron 1620 (3S x 4N x 3K x 3M x 15)
pruebas de reconstruccin, para las cuales se ha registrado C No. de Casos % Casos
el nmero de ciclos (denotado por C) para el cual se 0.50 7 15 13.89
0.55 9 21 19.44
101 .
2 2
alcanz la condicin y x 2 / y 2 0.60 9.08 39 36.11
Adicionalmente, se utiliz la misma matriz de 0.65 8.92 36 33.33
proyecciones para todas pruebas para garantizar que estas 0.70 8.56 54 50.00
se realizaran en las mismas condiciones, pues no es 0.75 9.88 78 72.22
conveniente comparar los resultados de dos pruebas si 0.80 9.86 87 80.56
estas se han basado en diferentes matrices de proyeccin. 0.85 10.53 96 88.89
En cuanto a la aplicacin del modelo de regresin de Cox, 0.90 11.91 104 96.30
se utiliza a la variable C como el tiempo de supervivencia,
y se dice que ocurre el evento muerte si C100, y por lo Tabla II. Resultados segn la relacin M/K
tanto, a partir de los valores de C se estima el riesgo para M/K C No. de Casos % Casos
cada caso. Adems como variables independientes de este
7 10.69 128 39.51
modelo se toman las variables S, N, K, M y ; con lo cual,
8 10.07 177 54.63
el modelo de regresin a evaluar tendra la siguiente
9 9.6 225 69.44
forma:

H (t ) H 0 (t )e 1S 2 N 3 K 4 M 5 (8) En las Tablas I y II, C denota el promedio de ciclos


registrados en las pruebas asociadas al respectivo caso,
Los resultados de este modelo aportarn evidencia pero slo en donde ocurri el evento de inters; No. de

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
177
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
Casos se refiere al nmero de casos en donde ocurri el asume que todas las variables son cuantitativas, excepto S
evento de inters, mientras que % Casos indica el (indicadora de la seal madre) que es una variable
porcentaje de casos en los cuales ocurri el evento de categrica:
inters, que a su vez puede ser interpretado como una
estimacin de la probabilidad de que ocurra el evento de Tabla III. Resultados del modelo de Cox asumiendo a
inters. como variable cuantitativa.
En los 530 casos en los que ocurri el evento de inters, Var Wald Sig.
los valores de C se mantuvieron dentro del rango [6,16], N -.001 10.690 .001
con un promedio de 10.02, es decir, que el error K -.078 34.735 .000
establecido (=10-1) o era alcanzado en 6C16 (en 530 M .011 58.498 .000
casos) o era alcanzando en C>100 (en los 442 casos 4.571 168.663 .000
restantes), es decir, ninguna de las 972 corridas dur entre S .003 .998
17 y 100 ciclos. Esta brecha puede ser interpretada como S(1) .003 .001 .978
un indicador de la inestabilidad del algoritmo, o S(2) -.003 .001 .977
alternativamente, que la velocidad de convergencia del Var: nombre de la variable; : valor de su coeficiente en el modelo de
Cox (i); Wald: valor del estadstico de Wald, que es un estadstico de
algoritmo es altamente no lineal con respecto a las prueba de la hiptesis nula que establece que la respectiva variable no es
caractersticas de la seal y con respecto al parmetro de significativa (su coeficiente es nulo). Sig: nivel de significancia del
regularizacin , de manera que en algunos casos el estadstico de Wald. Si Sig<p, 0p1, entonces la respectiva variable es
algoritmo es muy rpido y en los dems casos es lento, sin significativa al 100*(1-p)%.
posibilidad de trminos medios. Lo antes afirmado puede
significar simultneamente una ventaja y una desventaja, Tabla IV. Prueba del Omnibus (bondad de ajuste).
ya que si el usuario posee el nivel de conocimiento
adecuado sobre este algoritmo, encontrar en el mismo D = -2 Log (Verosimilitud) Chi-cuadrado GL Sig.
una herramienta sumamente eficiente, y viceversa.
6731.064 254.624 6 .000
As mismo, en la Tabla I se puede observar que a mayor
D: es un estadstico de prueba de la bondad de ajuste del modelo, cuya
valor de , ms tarda el algoritmo para alcanzar el error hiptesis nula establece que todos los coeficientes del modelo son nulos,
establecido (=10-1), aunque logra esta meta con mayor y por lo tanto, el modelo no se ajusta bien a los datos. Este estadstico se
probabilidad. Por ejemplo, con =0.5 hicieron falta slo 7 distribuye chi-cuadrado con GL grados de libertad. Sig: nivel de
significancia del estadstico antes mencionado. Si Sig<p, 0p1,
ciclos en promedio ( C =7), pero apenas en el 13.89% de entonces se rechaza la hiptesis nula, y en tal caso, se concluye que el
los casos ocurri el evento de inters, mientras con =0.9 modelo se ajusta bien a los datos con un nivel de confianza del 100*(1-
el evento de inters se alcanz en el 96.30% de los casos. p)%.
Lo antes afirmado refleja una fuerte sensibilidad del
desempeo del algoritmo de reconstruccin con respecto a En primer lugar, la Tabla III indica que, segn la prueba
. As, si el parmetro de regularizacin decae muy del Omnibus [13], no se rechaza la hiptesis de que el
rpidamente, el algoritmo de reconstruccin no puede modelo se ajusta bien a los datos, lo cual indica que el
seleccionar adecuadamente el soporte de la seal de modelo es vlido. Por otro lado, segn la Tabla IV, se
inters, induciendo errores de reconstruccin; y por el puede concluir con un 99.9% de confianza lo siguiente: a
contrario, si el parmetro de regularizacin decae mayor valor de N y K (mientras ms grande sea la
lentamente, el algoritmo detecta correctamente el soporte secuencia, y mientras mayor sea su soporte), menor
de la seal y estima sus valores apropiadamente a un costo riesgo, o equivalentemente, mayor supervivencia, y por lo
de requerir un mayor nmero de ciclos. tanto, mayor ser el nmero de ciclos necesarios hasta que
los residuos alcancen el error establecido. Por el contrario,
Por otro lado, se tiene la relacin M/K, que indica cuntas
a mayor valor de M y en el intervalo [0.5 - 0.9] menor
medidas se utilizan por cada elemento no nulo de la seal
ser el nmero de ciclos necesarios. En cuanto a las
original. En la Tabla II se puede apreciar que mientras
seales madre, estas no han influido en lo absoluto sobre
ms grande sea el vector de medidas con respecto al grado
los resultados, es decir, los resultados han sido
de densidad de la seal original, ms rpido ser el
independientes de las seales madre que se utilizaron.
algoritmo, y adems, existe una mayor probabilidad de
ocurrencia del evento de inters, siendo esto ltimo la ms Entre los resultado antes presentados, causa especial
significativo del resultado, ya que si en vez de utilizar 7 inquietud el relacionado con el coeficiente , para el cual
medidas se utilizan 9 por cada elemento no nulo de la se afirm que a mayor valor del mismo, mayor ser la
seal original, se logra aumentar de 39.51% a 69.44% tal velocidad de convergencia del algoritmo, sin embargo,
probabilidad. vale la pena investigar si esta afirmacin es absolutamente
cierta, o si este comportamiento simplemente refleja una
4.2 Resultados del modelo de regresin de Cox tendencia general, pero que analizada en detalle, se
pudiese descubrir algn otro comportamiento un tanto
En las Tablas III y IV se resumen los resultados
ms complejo, diferente a la influencia montona
correspondientes a los parmetros del modelo de
obtenida en los resultados anteriores. Para investigar este
regresin de Cox (correspondiente a la ec. 8), en donde se
aspecto, se decidi asumir al coeficiente como una

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
178
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
variable cualitativa, con el fin de analizar por separado el sealar que estos resultados no contradicen lo presentado
efecto de cada uno de sus posibles valores. Al realizar este en la Tabla I, ya que en ese caso, C fue calculado
cambio, y reestimar los parmetros del modelo de Cox, se tomando en cuenta slo las pruebas en donde el algoritmo
obtuvieron los siguientes resultados: convergi (C100), a diferencia de los resultados del
modelo de Cox, en donde se consideran todas las pruebas
Tabla V. Resultados del modelo de Cox asumiendo a como realizadas.
variable cualitativa.
Var Wald Sig.
N -.001 10.947 .001 III. CONCLUSIONES
K -.085 40.800 .000 1. Los resultados obtenidos en esta investigacin
M .012 69.034 .000 permiten llegar a las siguientes conclusiones sobre el
178.999 .000 desempeo del algoritmo de reconstruccin de seales
(1) -2,033 53.716 .000 basado en la regresin de mediana ponderada.
(2) -1,684 49.000 .000 2. A pesar de la gran variedad de condiciones, cuando el
(3) -.915 23.381 .000 algoritmo alcanz el error establecido (=10-1), lo hizo
(4) -.973 24.956 .000 recorriendo entre 10 y 16 ciclos, lo cual es
(5) -.306 3.269 .071 considerado como un buen desempeo, mientras que
(6) .117 .595 .440 en los dems casos se realizaron 100 ciclos sin que
(7) .292 3.926 .048 esto ocurriera, de manera que se evidencian dos tipos
(8) .227 2.540 .111 de comportamientos sumamente homogneos y
S .009 .996 diferentes entre s: uno lento y otro rpido; sin la
S(1) .008 .006 .937 posibilidad de resultados intermedios.
S(2) .000 .000 .999
3. Sin embargo, ajustando adecuadamente los valores de
Los significados de las columnas de esta tabla son los mismos que los de
la Tabla IV. y M se puede reducir drsticamente la probabilidad
de que el algoritmo se comporte en forma lenta: con
En este caso, se tom =0.90 como la categora de =0.5 hicieron falta slo 7 ciclos en promedio ( C =7),
referencia, y se codificaron los valores de 0.50, 0.55, pero apenas en el 13.89% de los casos el algoritmo
0.85 como (1), (2), , (8). En la Tabla V se puede requiri menos de 100 ciclos para converger, mientras
observar que a medida que se incrementa a , el algoritmo con =0.9 hicieron falta en promedio 11.91 ciclos,
se acelera hasta llegar a =0.80, (7), en donde el pero la convergencia se logr en el 96.30% de los
algoritmo alcanza su mxima eficiencia, para comenzar a casos. En ningn caso es recomendable utilizar
desmejorar en los siguientes valores de . El siguiente 0.45, pues con estos valores se obtuvo que en el
grfico permite visualizar de una forma ms adecuada el 96.6% de los casos el algoritmo fue ineficiente,
efecto de los valores de sobre la eficiencia del indiferentemente de los valores de los parmetros
algoritmo: restantes.
4. Por otro lado, existe la posibilidad de ajustar el valor
de M con el fin de aumentar la probabilidad de que el
algoritmo se comporte en forma rpida, por ejemplo,
si en vez de utilizar M=7K se utiliza M=9K, se logra
aumentar de 39.51% a 69.44% tal probabilidad. En
este caso, es importante tener presente que es de
inters que M sea lo ms pequeo posible, o lo que es
equivalente, que N/M sea lo ms grande posible, pues
uno de los objetivos del SC es comprimir las seales,
por lo tanto, es necesario tener cuidado al aumentar el
valor de M.
Figura 1. vs. i
5. En cuanto al resto de las caractersticas de la seal,
En este grfico, el eje horizontal representa los diferentes valores de segn el modelo de regresin de Cox, se obtuvo que a
evaluados (de 0.50 hasta 0.90), mientras que el eje vertical corresponde a
los coeficientes del modelo de Cox asociados a cada valor de . mayor valor de N y K, menor riesgo (mayor
supervivencia), y por lo tanto, mayor ser el nmero
En la Figura 1, la curva obtenida demuestra que la de ciclos necesarios hasta que los residuos alcancen el
relacin entre la eficiencia del algoritmo con respecto a error establecido. Adems, con este modelo se
no es montona creciente sino que sigue, confirmaron los resultados asociados a y M,
aproximadamente, una parbola invertida que alcanza su expuestos anteriormente; aunque en el caso de , se
mximo en =0.80, de manera que entre 0 y 0.8 la obtuvo una informacin adicional que indica que la
eficiencia del algoritmo mejora a medida que aumenta, relacin entre la eficiencia del algoritmo con respecto
y a partir de ah, comienza a desmejorar. Es importante a no es montona creciente sino que sigue,

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
179
UNIVERSIDAD, CIENCIA y TECNOLOGA Volumen 16, N 64, septiembre 2012
aproximadamente, una parbola invertida que alcanza Mathematicians, Madrid, Spain, Vol. 3, pp. 1433
su mximo en =0.80, valor que representa un punto 1452, 2006.
de equilibrio entre un nmero de ciclos bajo y la 7. Paredes, J., Arce, G., y Wang, Z., Ultra-Wideband
probabilidad de que el algoritmo no se desempee en Compressed Sensing: Channel Estimation. IEEE
forma lenta. Journal of Selected Topics in Signal Processing, Vol.
1, No. 3, pp 383-395, 2007.
V. REFERENCIAS 8. Paredes, J., y Arce, G., Compressive Sensing Signal
1. Mitra, S., Digital Signal Processing, A Computer Reconstruction by Weighted Median Regression
Based Approach, 3era Edicin, pp. 117-232, McGraw Estimates. IEEE Transactions on Signal Processing,
Hill, 2006. Vol. 59, No. 6, pp. 2585-2601, 2011.
2. Majumdar, A., y Ward, R., Compressed Sensing of 9. Baraniuk, R., Compressive Sensing. IEEE Signal
Color Images. Signal Processing, Elsevier, Vol. 90, Processing Magazine, Vol. 24, pp. 118-124, 2007.
No. 12, pp. 3122-3127, 2010. 10. Tropp, J., y Gilbert, A., Signal Recovery From
3. Han, B., Wu, F., y Wu, D., Image representation by Random Measurements Via Orthogonal Matching
compressive sensing for visual sensor networks. Pursuit. IEEE Transactions on Information Theory,
Journal of Visual Communication and Image Vol. 53, No. 12, pp 4655-4666, 2007.
Representation, Vol. 21, No. 4, pp. 325-333, 2010. 11. Chen, Q., Oppenheim, A., y Wang, D., Encyclopedia
4. Bajwa, W., Sayeed, A., y Nowak, R., Compressed of Data Warehousing and Mining, pp. 1077-1082, Idea
Sensing of Wireless Channels in Time, Frequency, Group Inc., 2006.
and Space. Proc. 42nd Asilomar Conf. Signals, 12. Berry, M., y Linoff, G., Data Mining Techniques, 2da
Systems, and Computers, Pacific Grove, CA, 2008. Edicion, pp. 383-420, Wiley, 2004.
5. Donoho, D., Compressed Sensing. IEEE Trans. on 13. Harrell, F., Regression Modeling Strategies: With
Information Theory, Vol. 52, No. 4, pp. 12891306, Applications to Linear Models, Logistic Regression,
2006. and Survival Analysis, 1era Edicin, pp. 465 507,
6. Candes, E., Compressive Sampling, Proc. Int. Cong. Springer, 2001.

Jabbour y Paredes. Anlisis de la eficiencia del Algoritmo de Reconstruccin de Seales. pp. 173-180
180