基于lp有界噪声的压缩数据分离

本文考虑l_p有界噪声约束下的压缩数据分离问题,即从压缩测量数据中重建信号的不同稀疏子成分.为了重构不同框架D₁∈R^n×d₁和D₂∈R^n×d₂下(近似)稀疏的不同子成分,我们首先提出了l₁-αl₂分解分析算法,在测量矩阵满足一定的约束等距性条件且字典之间满足某个相互相干性条件时,此算法可以处理不同噪声干扰下的信号分离问题.此外,基于经典Dantzig Selector模型,我们还引入了l₁-αl₂分解分析Dantzig Selector算法,在适当条件下此算法也可以稳定分离压缩数据.数值实验表明,l₁-αl₂最小化算法对于冗余紧框架下的数据分离问题具有鲁棒性和稳定性.     

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   

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.     

压缩感知和稀疏优化简介

介绍压缩感知和稀疏优化的基本概念、理论基础和算法概要. 压缩感知利用原始信号的稀疏性,从远少于信号元素个数的测量出发,通过求解稀疏优化问题来恢复完整的原始稀疏信号. 通过一个小例子展示这一过程,并以此说明压缩感知和稀疏优化的基本理念. 接着简要介绍用以保证l₁凸优化恢复稀疏信号的零空间性质和RIP条件. 最后介绍求解稀疏优化的几个经典算法.     

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Spectral Tetris算法的框架的最佳稀疏性

当信号维数较大时,使用稀疏框架分解信号就能减少大量的加法和乘法运算,所以,研究稀疏框架很有意义.本文介绍有限框架的稀疏性,并研究基于Spectral Tetris算法构造的框架的稀疏性.首先,给出基于Spectral Tetris算法的框架的最佳稀疏性;其次,得到基于Spectral Tetris算法的可剖分紧框架的最佳稀疏性.     

等距丢失模型下的框架张量积重构方法

框架理论常应用于信号重构.当编码系数在传输过程中发生等距丢失时,基于框架张量积的一些性质,我们可以利用框架张量积对信号进行编码从而降低数据丢失对重构信号的影响.本文由此提出了一种等距丢失模型,并在此模型下,研究了数据等距丢失下的最优对偶框架张量积,得出了对偶框架和正则对偶框架的张量积是最优对偶框架张量积的两个充分必要条件.最后数值实验也说明了：在等距丢失模型下,最优对偶框架张量积比一般对偶框架张量积的信号重构结果更优.     

基于基底合并的分片稀疏恢复

如我们所知,诸如视频和图像等信号可以在某些框架下被表示为稀疏信号,因此稀疏恢复(或稀疏表示)是信号处理、图像处理、计算机视觉、机器学习等领域中被广泛研究的问题之一.通常大多数在稀疏恢复中的有效快速算法都是基于求解$l^0$或者$l^1$优化问题.但是,对于求解$l^0$或者$l^1$优化问题以及相关算法所得到的理论充分性条件对信号的稀疏性要求过严.考虑到在很多实际应用中,信号是具有一定结构的,也即,信号的非零元素具有一定的分布特点.在本文中,我们研究分片稀疏恢复的唯一性条件和可行性条件.分片稀疏性是指一个稀疏信号由多个稀疏的子信号合并所得.相应的采样矩阵是由多个基底合并组成.考虑到采样矩阵的分块结构,我们引入了子矩阵的互相干性,由此可以得到相应$l^0$或者$l^1$优化问题可精确恢复解的稀疏度的新上界.本文结果表明.通过引入采样矩阵的分块结构信息.可以改进分片稀疏恢复的充分性条件.以及相应$l^0$或者$l^1$优化问题整体稀疏解的可靠性条件.     

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.     

部分支集已知的信号恢复

稀疏信号恢复是压缩感知的主要研究问题, 目前已经取得了非常丰富的成果. 而在实际应用中,往往有一些先验信息可以利用, 以提高恢复的效率, 减少测量次数. 本文主要讨论部分支集已知的稀疏或可压缩信号恢复问题, 提出了一个松弛零空间条件并且改进了保证信号稳定恢复的限制等距常数界.     

具有有限可修时间的k/G:N冗余系统生成的半群可微性和紧性

本文研究具有有限修复时间的k/G:N冗余系统生成的C₀-半群的可微性和紧性.证明当修复时间有限时,此C₀-半群是最终可微和最终紧的.但是,对于无限的修复时间而言是不成立的.     

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.     

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.     

一个C0-半群的特征值到本质增长界

本文证明第二种服务可选的M/M/1排队模型的主算子的点谱包含一个区间（-α,0）,α>0.此结果表明该主算子生成的C₀-半群不是紧算子,甚至不是最终紧算子.本文的结果与我们以前的结果合并后得到:（i）该C₀-半群的本质增长界为0.从而,该C₀-半群不是拟紧算子.（ii）该模型的时间依赖解不可能指数收敛于其稳态解.（iii）该C₀-半群的本质谱半径等于1.     

基于混合l_2/l_1范数极小化方法的块稀疏信号重构条件

研究压缩感知中的块稀疏信号重构问题,主要对混合l_2/l_1极小化方法建立了一类改进的可重构条件.具体地说,本文证明若测量矩阵满足条件δ_k+θ_(k,k)1,则混合l_2/l_1极小化方法可精确重构(无噪声情形)或鲁棒重构(有噪声情形)原始块k-稀疏信号.进而表明本文给出的新条件弱于现有文献所给出的条件.     

Banach空间中集值度量广义逆齐性单值选择的判据

本文研究了Banach空间(X,‖·‖),(Y,‖·‖)上具有闭值域的稠定闭算子T:X→Y的(集值)度量广义逆.在限定X为自反的、Y为一般的Banach空间且算子值域R(T)为空间Y中Chebyshev子空间时,证明了算子T具有非空闭凸集值的度量广义逆的存在性,运用Banach空间中广义正交分解定理,得出算子T的集值度量广义逆具有唯一齐性单值选择,并且该单值选择恰为赋等价严格凸范数的空间Xr=(X,‖·‖_r)上算子T的Moore-Penrose度量广义逆.特别地,将抽象的Banach空间X与Y具体化为有限维Banach空间l₁ⁿ=(Rn,‖·‖₁)(即n维空间Rn赋l₁范数)与有限维Hilbert空间(即m维欧式空间l₂^m=(Rm,‖·‖₂),亦即m维空间赋l₂范数),线性算子T可具体表示为m×n阶矩阵A,得到了从n维空间l₁ⁿ到m维空间l     

高维时变投资组合模型的构造及估计

在大数据背景下,高维资产组合的构造以及选择是金融领域研究的热点和难点问题.文章构造了基于SCGARCH模型的含有范数约束的高维时变最小方差投资组合模型,将其记为NC-MVP-SCGARCH.该组合的优势主要体现在两方面:首先采用SCGARCH模型来估计和预测组合的重要输入变量——资产间的协方差阵,该模型将改进的乔列斯基分解法和卡尔曼滤波估计方法相结合,在解决了高维数据所面临的维数诅咒的同时,考虑了过去市场信息对协方差阵估计的影响;其次,基于范数约束的最小方差投资组合(NC-MVP)将l₁和l₂范数有机结合,更加适用于高维资产.研究发现:文章构造的NC-MVP-SCGARCH组合效果更优.     

带小参数的反应—扩散方程组的数值方法

本文讨论带小参数的反应—扩散方程组的数值方法.由于边界层效应,使得这类问题的数值求解十分困难.我们根据奇异摄动理论和Green函数方法建立起一种适合求解这类问题的差分格式.在文中,我们引入了可行等距度α,并证明了若a≥2则格式在l₁(m)意义下一致收敛且收敛阶为O(h+△t).     

关于高斯低通滤波器的超分辨分析

对于经过高斯低通滤波的信号,通过求解一类凸优化模型稳定地恢复该信号的高频信息.当信号满足一定的分离条件时,给出了误差估计的界,从理论上证明了求解凸优化方法的稳定性.理论的证明依赖于压缩感知中的对偶理论.一个显著的差异在于高斯低通滤波器并不满足压缩感知中对于测量矩阵的要求,例如相关性,约束等距性质等.     

基于Ekeland变分原理的一类平衡问题解集的稳定性研究及应用

基于Ekeland变分原理建立的平衡问题,减弱了函数和定义域的凸性要求,减弱了三角不等式条件,函数只有循环反单调性,但其具有良好的性质.一方面,利用非线性分析方法,对非凸紧和非凸非紧的平衡问题研究解的唯一性,在Baire分类意义下,得到基于Ekeland变分原理建立的平衡问题的解具有通有唯一性.另一方面,利用有限理性模...