基于非凸优化模型的块稀疏信号恢复条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理理论，它表明稀疏信号能够在远低于Shannon-Nyquist采样率的条件下被精确重构.现从压缩感知理论出发，对块稀疏信号重构算法进行研究，通过混合l₂/l_q(0相似文献   

一种求解弹性l_2-l_q正则化问题的算法

给出了一种求解弹性l_{2}-l_{q}正则化问题的迭代重新加权l_{1}极小化算法, 并证明了由该算法产生的迭代序列是有界且渐进正则的. 对于任何有理数q\in(0,1), 基于一个代数的方法, 进一步证明了迭代重新加权l_{1}极小化算法收敛到弹性l_{2}-l_{q}(0相似文献   

基于冗余紧框架的?2/?1极小化块稀疏压缩感知

压缩感知是(近似)稀疏信号处理的研究热点之一,它突破了Nyquist/Shannon采样率,实现了信号的高效采集和鲁棒重构.本文采用l2/l1极小化方法和BlockD-RIP理论研究了在冗余紧框架下的块稀疏信号,所获结果表明,当BlockD-RIP常数δ2k/τ满足0<δ2k/τ<0.2时,l2/l1极小化方法能够鲁棒重构原始信号,同时改进了已有的重构条件和误差上界.基于离散傅里叶变换(DFT)字典,执行了一系列仿真实验充分证实了理论结果.     

基于l2/lq(q=2/3)最小化模型的块稀疏信号恢复

该文主要研究了块稀疏信号的恢复问题.利用q块限制等距性质(0<q≤1),通过极小化混合l₂/l_q(q=2/3)范数,建立了块稀疏信号恢复的一个充分条件,并且得到了在有噪声情形下信号恢复的误差界.通过数值实验,验证了该模型对于块稀疏信号的恢复有较高的成功率.     

基于l1-l2范数的块稀疏信号重构

压缩感知(compressed sensing,CS) 是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元是成块出现的.受YIN Peng-hang, LOU Yi-fei, HE Qi等提出的l_1-2范数最小化方法的启发,将基于l₁-l₂范数的稀疏重构算法推广到块稀疏模型,证明了块稀疏模型下l₁-l₂范数的相关性质,建立了基于l₁-l₂范数的块稀疏信号精确重构的充分条件,并通过DCA(difference of convex functions algorithm) 和ADMM(alternating direction method of multipliers)给出了求解块稀疏模型下l₁-l₂范数的迭代方法.数值实验表明,基于l₁-l₂范数的块稀疏重构算法比其他块稀疏重构算法具有更高的重构成功率.     

正线性时滞系统的L_1(l_1)-增益性能分析及正控制器设计

讨论连续(离散)时间正线性时滞系统的L_1(l_1)-增益性能分析及正控制器设计问题.由于正系统的非负特性,自然地可利用L_1(l_1)-增益来估计系统的性能.首先,给出了正线性时滞系统渐近内稳定且满足给定的L_1(l_1)-增益指标的充要条件.然后,基于上述条件,针对单输入系统,利用奇异值分解(SVD)方法给出了正L_1(l_1)-控制器存在的充要条件,此条件可表示为非线性规划(NLP)问题.并将所给的方法推广到多输入情形,得到了具有特殊形式的L_1(l_1)-控制器的存在条件.最后,给出数值算例来验证理论结果的有效性.     

约束非线性l_1问题的光滑近似算法

针对约束非线性l_1问题不可微的特点,提出了一种光滑近似算法.该方法利用" "函数的光滑近似函数和罚函数技术将非线性l_1问题转化为无约束可微问题,并在适当的假设下,该算法是全局收敛的.初步的数值试验表明算法的有效性.     

弱化限制等距性的稀疏信号恢复

众所周知,传统的信号压缩和重建遵循香农一耐奎斯特采样定律,即采样率必须至少为信号最高频率的两倍,才能保证在重建时不产生失真,这无疑将给信号采样,传输和存储过程带来越来越大的压力.随着科技的飞速发展,特别是近年来传感器技术获取数据能力提高,物联网等促使人类社会的数据规模遽增,大数据时代正式到来.大数据的规模效应给数据存储,传输,管理以及数据分析带来了极大的挑战.压缩采样应运而生.限制等距性(Restricted Isometry Property,RIP)在压缩传感中起着关键的作用.只有满足限制等距条件的压缩矩阵才能平稳恢复原始信号.RIP作为衡量矩阵是否能作为测量矩阵得到了认可,但是此理论的缺陷在于对任一矩阵,很难有通用,快速的算法来验证其是否满足RIP条件.很多学者尝试弱化RIP条件以找到测量矩阵构造的突破口.首先构造了新的限制等距条件δ_(1.5k)+θ_(k,1.5k)≤1,然后证明在这个条件下无噪声稀疏信号能被精确的恢复,并且噪声稀疏信号能被平稳的估计.最后,通过比较表明δ_(1.5k)+θ_(k,1.5k)≤1优于现存的条件.     

基于系数正则的同时回归估计

提取两个随机向量X与Y之间的相关性是非常重要的问题.核方法被用来提取非线性的相关性.本文通过极小化方差Var[f(X)-g(Y)]得到最大相关性,称为同时回归,其中f(X)和g(Y)分别是两个不同的再生核空间中的函数.本文利用正则经验方差极小化得到估计.为了所得的估计函数具有稀疏性,本文采用系数的l_1范数作为惩罚项,在一些常规条件下建立学习率.同时回归问题与典型相关分析、切片逆回归等密切相关.     

线性等式与不等式组稀疏解的唯一性条件

近年来,稀疏优化广泛应用在信号处理、机器学习、图像去噪和计算机视觉等方面,得到了深入的研究和快速的发展.本文考虑含有一般线性等式和不等式约束的广义l_(0-)最小化问题.尽管l_(0-)最小化问题是NP-困难的,但已有多种计算方法可以用来克服这一计算上的困难,其中一种常用的方法是,通过一个凸优化问题来近似求解原问题.具体地,用l_(1-)范数代替l_(0-)范数得到l_(0-)最小化问题的一个凸松弛.在这类方法中,研究什么条件可以保证两个问题等价是非常重要的.基于值域空间性质(RSP)的分析方法,本文提出广义l_(0-)最小化问题的RSP性质,并且证明在某些条件下,RSP性质可以保证l_(0-)最小化问题与它的凸松弛l_(1-)最小化问题是等价的.最后,本文对所使用的条件给出一些说明.     

Optimal D-RIP bounds in compressed sensing

This paper establishes new bounds on the restricted isometry constants with coherent tight frames in compressed sensing. It is shown that if the sensing matrix A satisfies the D-RIP condition δk 1/3 or δ2k2~(1/2)/2, then all signals f with D*f are k-sparse can be recovered exactly via the constrained 1 minimization based on y = Af, where D*is the conjugate transpose of a tight frame D. These bounds are sharp when D is an identity matrix, see Cai and Zhang's work. These bounds are greatly improved comparing to the condition δk 0.307 or δ2k 0.4931. Besides, if δk 1/3 or δ2k2~(1/2)/2, the signals can also be stably reconstructed in the noisy cases.     

Block sparse recovery via mixed l 2/l 1 minimization

We consider efficient methods for the recovery of block sparse signals from underdetermined system of linear equations. We show that if the measurement matrix satisfies the block RIP with δ2s 0.4931, then every block s-sparse signal can be recovered through the proposed mixed l2 /l1 -minimization approach in the noiseless case and is stably recovered in the presence of noise and mismodeling error. This improves the result of Eldar and Mishali (in IEEE Trans. Inform. Theory 55: 5302-5316, 2009). We also give another sufficient condition on block RIP for such recovery method: δs 0.307.     

The James constant for the <Emphasis Type="Italic">l</Emphasis><Subscript>3</Subscript> − <Emphasis Type="Italic">l</Emphasis><Subscript>1</Subscript> space

In this note, the exact value of the James constant for the l₃-l₁ space is obtained, J(l₃-l₁)=1.5573…. This result improves the known inequality, J(l₃-l₁)≤4/³√10, which was given by Dhompongsa, Piraisangjun and Saejung.     

Complex Symmetric C0-semigroups on A2(C+)

In this paper, we study complex symmetric C₀-semigroups on the Bergman space A²(C₊) of the right half-plane C₊. In contrast to the classical case, we prove that the only involutive composition operator on A²(C₊) is the identity operator, and the class of J-symmetric composition operators does not coincide with the class of normal composition operators. In addition, we divide semigroups {ψ_t} of linear fractional self-maps of C₊ into two classes. We show that the associated composition operator semigroup {T_t} is strongly continuous and identify its infinitesimal generator. As an application, we characterize J_σ-symmetric C₀-semigroups of composition operators on A²(C₊).     

固定时间梯度流在l1-l2范数中的稀疏重构

压缩感知（compressed sensing,CS）是一种全新的信号采样技术,对于稀疏信号,它能够以远小于传统的Nyquist采样定理的采样点来重构信号。在压缩感知中, 采用动态连续系统,对l₁-l₂范数的稀疏信号重构问题进行了研究。提出了一种基于固定时间梯度流的稀疏信号重构算法,证明了该算法在Lyapunov意义上的稳定性并且收敛于问题的最优解。最后通过与现有的投影神经网络算法的对比,体现了该算法的可行性以及在收敛速度上的优势.     

线性子空间上求解矩阵方程组A_1XB_1=C_1,A_2XB_2=C_2的迭代算法

应用共轭梯度方法,结合线性投影算子,给出迭代算法求解了线性矩阵方程组A_1XB_1=C_1,A_2XB_2=C_2在任意线性子空间上的约束解及其最佳逼近.当矩阵方程组A_1XB_1=C_1,A_2XB_2=C_2相容时,可以证明,所给迭代算法经过有限步迭代可得到矩阵方程组的约束解、极小范数解和最佳逼近.文中的数值例子证实了该算法的有效性.     

A Bishop–Phelps–Bollobás Theorem for Asplund Operators

By characterizing Asplund operators through Fréchet differentiability property of convex functions, we show the following Bishop–Phelps–Bollobás theorem: Suppose that X is a Banach space,T : X → C(K) is an Asplund operator with ║T║= 1, and that x_0 ∈ S_X, 0 ε satisfy ║T(x_0)║ 1-ε~2/2.Then there exist x_ε∈ S_X and an Asplund operator S : X → C(K) of norm one so that ║S(x_ε)║ = 1, x_0-x_ε ε and ║T-S║ ε.Making use of this theorem, we further show a dual version of Bishop–Phelps–Bollobás property for a strong Radon–Nikodym operator T : ?_1 → Y of norm one: Suppose that y_0~*∈ S_(Y~*), ε≥ 0 satisfy T~*(y_0~*) 1-ε~2/2. Then there exist y_ε~*∈ S_(Y~*), x_ε∈(±e_n), y_ε∈ S_Y, and a strong Radon–Nikodym operator S : ?_1 → Y of norm one so that (ⅰ)║S(x_ε)║= 1;(ⅱ) S(x_ε) = y_ε;(ⅲ)║T-S║ ε;(ⅳ)║S~*(y_ε~*)║=y_ε~*, y_ε= 1;(ⅴ)║y_0~*-y_ε~*║ ε and (ⅵ)║T~*-S~*║ ε,where(e_n) denotes the standard unit vector basis of ?_1.     

A combinatorial interpretation of the recurrence fn+1 = 6fn − fn−1

Bonin et al. (1993) recalled an open problem related to the recurrence relation verified by NSW numbers. The recurrence relation is the following: f_n+1 = 6f_n − f_n−1, with f₁ = 1 and f₂ = 7, and no combinatorial interpretation seems to be known. In this note, we define a regular language L whose number of words having length n is equal to f_n+1. Then, by using L we give a direct combinatorial proof of the recurrence.