基于PICCS的非局部TGV能谱CT重建算法

能谱CT将宽谱划分为窄谱,导致通道内光子数目明显减少,加大了噪声影响,故从噪声投影中重建出高质量图像是能谱CT的一个研究热点.传统全变分(total variational,TV)容易造成重建图像中出现块状伪影等问题,总广义全变分(total generalized variation,TGV)算法可以逼近任意阶函数,再结合非局部均值算法的思想,同时考虑到不同能谱通道下重建图像的相关性,将高质量全能谱重建图像作为先验图像指导能谱CT重建,提出了基于先验图像约束压缩感知(prior image constrained compressed sensing,PICCS)的非局部TGV重建算法.实验结果表明,所提算法在抑制噪声的同时能够有效复原图像细节及边缘信息,且收敛速度快.     

基于字典学习方法的CT不完全投影图像重建算法

对于不完全投影角度的重建研究是CT图像重建中一个重要的问题.将压缩感知中字典学习的方法与CT重建算法ART迭代算法相结合.字典学习方法中字典更新采用K-SVD(K-奇异值分解)算法,稀疏编码采用OMP(正交匹配追踪)算法.最后通过对标准Head头部模型进行仿真实验,验证了字典学习方法在CT图像重建中对于提高图像的重建质量和提高信噪比的可行性与有效性.另外还研究了字典学习中图像块大小和滑动距离对重建图像的影响     

一种多段有限角CT采样的BF-TV-ART图像重建方法

CT影像数据在临床诊断和疾病筛查复查中具有重要意义,但数据采集中使用的X射线会在人体内呈现累加现象,过量的射线辐射会增加检测者患病风险.为降低检测中的辐射剂量,CT扫描系统会采用不完全采样扫描方式,如有限角采样、稀疏角采样和多段有限角采样.多段有限角方式的采样设计可在一定程度上兼具这两者的优点,有利于高精度CT图像的重建.本文设计了一种多段有限角CT扫描模式,分析了双边滤波在图像平滑和锐化方面的特征,提出了一种基于全变分与双边滤波的CT迭代重建模型,简称为BF-TV-ART(bilateral filtering-total variation-algebraic reconstruction techniques),并进行了算法设计.数值实验中通过二维Shepp-Logan模型和管线腐蚀模型验证了BF-TV-ART模型重建精度更高,重建时间更短,且重建图像的边缘信息得到了更好的保护.数值结果表明提出的重建方法可有效地抑制数据缺失采样下重建图像中的条状伪影和滑坡伪影.     

求解稀疏相位恢复问题的随机交替方向法(英文)

近年来稀疏相位恢复问题受到了越来越多的关注.本文提出了一种随机交替方法方法求解稀疏相位恢复问题,该算法采用硬阈值追踪算法求解带稀疏约束的最小二乘子问题.大量的数值实验表明,该算法可以通过O(s log n)次测量(理论上最少测量值)稳定的恢复n维s稀疏向量,并且在随机初值下可以获得全局收敛性.     

基于CT图像重建的多重集合分裂可行性问题应用分析

为了较好地应用CQ算法解决稀疏角度CT 图像重建的问题,提出了一种新的实时的分块逐次混合算法．首先将稀疏角度CT 图像重建的重建问题转化成分裂可行性问题．其次,通过分析非空闭凸集C和Q的不同的定义,在N维实空间中分别针对不同的CQ算法给出了7种不同的实现方案．通过试验,分别对不同算法及其方案的重建精度和收敛速度进行了对比分析,并对多重集合分裂可行性问题算法中约束权因子的选取及其对输出的影响进行了研究,从而给出了CQ算法在稀疏角度CT图像重建问题中应用的最佳凸集定义方案．以此为基础,给出了所提出算法的最佳实现方案．试验结果表明,该算法收敛速度快,重建精度高,为多重集合分裂可行性问题及其改进算法在该重建问题上的应用提供了参考．     

矩阵广义逆硬阈值追踪算法与稀疏恢复问题

本文通过引入支撑集捕获基数及MP广义逆,提出了一种用于稀疏恢复问题的矩阵广义逆硬阈值追踪算法,并在观测误差存在的情况下给出了算法在约束等距条件(RIP)下的收敛性.数值实验表明,算法不仅极大地减少了收敛所需迭代次数,且观测误差存在的情况下稀疏恢复是强健的.     

去除稀疏和结构化噪声的交替方向增强拉格朗日算法

图像和视频去噪是数字图像处理的必要环节之一.为了去除图像和视频中广泛存在的稀疏噪声和结构化噪声,提出了一种分离低秩矩阵、稀疏矩阵和结构化矩阵的优化模型一主成分离群点追求.在交替方向最小化思想的基础上,利用增强拉格朗日乘子法求解主成分离群点追求模型,设计了求解模型的交替方向增强拉格朗日(ADAL)算法,加入了一种连续技术以提高算法的收敛速率.仿真实验结果表明,提出的模型和算法能够有效去除不同尺寸矩阵的不同比例的稀疏噪声和结构化噪声.     

基于稀疏重建的航空货运量模型研究

压缩感知(Compressed Sensing CS)理论广泛应用于应用数学、图像重建、信道估计以及谱估计等不同领域.在理论方面,依据压缩感知基本理论建立差分稀疏凸优化模型,并推导差分稀疏重建限制子空间特征值的稳定性条件;在应用方面,研究此模型在我国航空货运量建模与预测中的应用,以1998-2007年我国航空货运量的统计数据为基础,利用凸优化理论建立我国航空货运量的差分稀疏模型.通过拟合误差指标的详细比较可知:相对于灰色理论模型、回归分析模型,航空货运量的差分稀疏模型具有更高拟合精度.实验证明,差分稀疏理论可以为航空货运量的短期预测以及航空货运业调控提供有效理论支持.     

具有Log型惩罚函数的稀疏正则化

研究具有Log型惩罚函数的稀疏正则化,给出一种新的非凸变量选择及压缩感知策略,提出一种高效快速阈值迭代算法.并通过变量选择问题和稀疏信号重建验证了所提出的Log型稀疏正则化模型的有效性.     

基于SCN函数共轭梯度方向的稀疏向量特征提取算法

稀疏向量特征提取是指在优化时利用各种范数对解进行约束,从而获得带有稀疏特征的最优解,其广泛应用于复杂系统中的机器学习、深度学习和大数据分析等领域的特征提取问题.大量的研究表明各种范数如L₀范数、L₁范数和L₂范数的方法都存在各自的缺点,主要表现在越容易求解的范数越不精准稀疏,越精准稀疏的范数越难求解.文章提出了一种基于SCN函数共轭梯度方向的稀疏向量特征发现算法(CGDL),稀疏向量特征发现可以用一个稀疏特征提取优化模型建立,其目标函数是一个SCN函数,对其中的L₀范数进行转换,形成一个具有特殊结构优化问题,这个问题等价于双层规划的凸-凹极小极大化问题,这类问题可以解决稀疏回归、图像特征和压缩感知等问题.文章给出了上述模型的稀疏特征提取算法的详细计算步骤和收敛性分析证明,并且对给定的实际数据集和高维模拟数据集对算法的有效性、复杂性和收敛速度进行了数值对比实验,表明了该算法在精准度和稀疏性上显著优于其他对比方法,并且具有较好的收敛速度.     

非光滑稀疏约束优化问题的最优性条件及算法

针对目标函数非光滑的稀疏约束优化问题,给出基本可行性和λ-平稳性两个必要最优性条件,利用所给出的必要最优性条件构造出稀疏次梯度投影算法.在理论上分析了算法的收敛性,证明了由该算法所产生序列的任意聚点都是λ-平稳点.最后,通过两个数值实例验证了算法的收敛性、有效性和优化能力.     

基于最小化似零伪范数的稀疏信号恢复算法

针对欠定系统中出现的稀疏信号恢复问题,提出了一种基于最小化近似零伪范数的处理方法,算法首先结合反正切函数构造出代价函数,再融合最速下降法和扩展牛顿迭代法逐步迭代寻优,并给出了算法的收敛性分析,数值仿真实验结果表明,与经典的稀疏信号恢复算法相比,方法有更好的计算速度和恢复精度.     

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.     

稀疏线性规划研究

稀疏线性规划在金融计算、工业生产、装配调度等领域应用十分广泛.本文首先给出稀疏线性规划问题的一般模型并证明问题是NP困难问题;其次采用交替方向乘子法(ADMM)求解该问题;最后证明了算法在近似问题上的收敛性.数值实验表明,算法在大规模数值算例上的表现优于已有的混合遗传算法;同时通过对金融实例的计算验证了算法及模型在稀疏投资组合问题上的有效性.     

基于分类学习字典全局稀疏表示模型的图像修复算法研究

基于稀疏重构的图像修复依赖于图像全局自相似性信息的利用和稀疏分解字典的选择,为此提出了基于分类学习字典全局稀疏表示模型的图像修复思路.该算法首先将图像未丢失信息聚类为具有相似几何结构的多个子区域,并分别对各个子区域用K-SVD字典学习方法得到与各子区域结构特征相适应的学习字典.然后根据图像自相似性特点构建能够描述图像块空间组织结构关系的全局稀疏最大期望值表示模型,迭代地使用该模型交替更新图像块的组织结构关系和损坏图像的估计直到修复结果趋于稳定.实验结果表明,方法对于图像的纹理细节、结构信息都能起到好的修复作用.     

能谱CT投影域降噪算法的比较研究

能谱CT的光子计数探测器可以将较宽的能谱按照选定的能量段进行计数,得到物体在不同能段的成像信息.由于能谱CT需要确定能量通道,且单个窄谱通道探测的光子数为总光子数的一部分,数目减少,导致窄谱投影数据的噪声增大.为降低低能噪声对成像结果的影响,将传统MAP降噪算法,基于各向异性模型的改进MAP算法及SB(Split Bregman)算法引入能谱CT投影域去噪中.首先通过选定一个能量来验证三种算法对能谱CT的适用性.然后分别对三个确定的能量通道添加高斯噪声,使用上述算法分别去噪,并对去噪后投影使用FBP,OS-SART算法重建,结果表明三种算法均可以有效去噪,且改进的MAP算法优于传统MAP算法,SB算法去噪效果最佳.     

基于稀疏自编码器的金融市场指数预测模型

针对高维数据"维数灾难"问题,降维是最典型的处理方式之一。降维技术不仅可以减弱"维数灾难"的负面影响,而且能够剔除高维数据中的冗余特征,从而提升高维数据回归、分类等任务的效率。高维数据通常呈现出复杂或非线性结构,恰当的降维方法可以有效地将高维特征数据投影至低维空间,以实现原始数据的非线性特征提取。本文尝试使用无监督学习模型稀疏自编码网络对金融高维数据进行非线性特征提取,将提取到的特征作为有监督学习模型BP神经网络的输入以预测指数收益率。更进一步地,为了验证稀疏自编码算法在特征提取方面的优势与有效性,本文引入稀疏主成分模型进行对比分析。实证分析显示:本文所使用的稀疏自编码网络能够较好地提取非线性特征并进行预测,其预测精度优于以稀疏主成分为代表的线性降维方法。     

稀疏降维的近似凸壳覆盖一类分类器构造

针对高维数据集常常存在冗余和维数灾难,在其上直接构造覆盖模型难以充分反映数据分布信息的问题,提出一种基于稀疏降维近似凸壳覆盖模型.首先采用同伦算法求解稀疏表示中l_1优化问题,通过稀疏约束自动获取合理近邻数并构建图,再通过LPP(Locality Preserving Projections)来进行局部保持投影,进而实现对高维空间快速有效地降维,最后在低维空间通过构造近似凸壳覆盖实现一类分类.在UCI数据库,MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果证实了方法的有效性,与现有的一类分类算法相比,提出的覆盖模型具有更高的分类正确率.     

求解稀疏逻辑回归问题的嵌套BB算法的分裂增广拉格朗日算法

逻辑回归是经典的分类方法,广泛应用于数据挖掘、机器学习和计算机视觉.现研究带有程。模约束的逻辑回归问题.这类问题广泛用于分类问题中的特征提取,且一般是NP-难的.为了求解这类问题,提出了嵌套BB(Barzilai and Borwein)算法的分裂增广拉格朗日算法(SALM-BB).该算法在迭代中交替地求解一个无约束凸优化问题和一个带程。模约束的二次优化问题.然后借助BB算法求解无约束凸优化问题.通过简单的等价变形直接得到带程。模约束二次优化问题的精确解,并且给出了算法的收敛性定理.最后通过数值实验来测试SALM-BB算法对稀疏逻辑回归问题的计算精确性.数据来源包括真实的UCI数据和模拟数据.数值实验表明,相对于一阶算法SLEP,SALM-BB能够得到更低的平均逻辑损失和错分率.