固定时间梯度流在?_1-?_2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?_1-?_2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.     

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   

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.     

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.     

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.     

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.     

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.     

基于新的Hessian近似矩阵的稀疏重构算法

一般来说,基于二次近似模型的优化算法具有良好的数值表现.然而,当基于二次近似模型的优化算法求解大规模优化问题时,若使用稠密矩阵近似目标函数在迭代点的Hessian矩阵,需要花费大量的计算成本和存储成本,因此设计Hessian矩阵合适的标量近似矩阵特别重要.对于正则化模型,利用最近三次迭代的信息,设计粗糙的标量矩阵,使用拟牛顿公式进行更新,结合近似最优梯度法的思想和梯度法的延迟策略,构造Hessian矩阵新的含有更多二阶信息的标量近似矩阵.结合非单调线搜索,提出基于新的Hessian近似矩阵的稀疏重构算法,并进行收敛性分析.实验结果表明,与经典稀疏重构算法算法相比,基于新的Hessian近似矩阵的稀疏重构算法在重构效果相似的情况下能较大地减少迭代次数和较快地重构信号.     

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.     

压缩感知

压缩感知是近来国际上热门的研究方向. 其主要思想为: 利用信号稀疏性的特征, 通过尽量少的观测信息恢复信号. 压缩感知在多个应用领域, 如医学成像、图像处理、地质勘探等中具有很好的应用前景. 此外, 它与逼近论、最优化、随机矩阵及离散几何等领域密切相关, 由此产生了一些漂亮的数学结果. 本文综述压缩感知一些基本结果并介绍最新进展. 主要包括RIP 矩阵编码与l₁ 解码的性能、RIP (restricted isometry property) 矩阵的构造、Gelfand 宽度、个例最优性及OMP (orthogonalmatching pursuit) 解码等.     

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.     

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.     

修正HS共轭梯度法在大规模信号重构问题中的应用

本义研究了压缩感知在大规模信号恢复问题中应用的问题.利用修正HS共轭梯度法及光滑化方法,获得了具有较好重构效果的算法.数值实验表明用修正HS共轭梯度法解决大规模信号恢复问题是可行的.     

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.     

计算光学成像中的数学问题

传统光学成像由于"点对点"的方式,在分辨率、系统复杂度和成像条件等方面存在诸多限制;计算光学成像则通过光场中的探测器将未汇聚成像的光信号转化为电信号,借助数学理论,通过图像重构算法"计算"得到图像.计算光学成像中,主要介绍压缩成像和相位恢复.压缩成像的提出基于压缩感知理论的发展,突破了香农采样定理的限制,其中单像素成像利用了空间维的压缩,编码孔径成像则同时利用了光谱维和空间维的压缩.相位重构源于相干衍射成像,利用相位恢复理论实现图像的重构.     

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.     

多面体块稀疏表示和非凸压缩感知

压缩感知(compressed sensing,CS)理论表明稀疏信号可以从欠定系统中被准确恢复,但在很多实际应用中,信号不一定有标准稀疏性而可能拥有一些其他的结构特点,典型的一种就是块稀疏信号,它的非零元仅在很少的一些块中出现.本文考虑从很少的线性测量中恢复块稀疏信号,并得到经混合l2/lq(0＜q≤1)最小化准确重...     

摄动离散矩阵Lyapunov方程向后误差分析

研究摄动离散矩阵Lyapunov方程解的向后误差,利用矩阵Kronecker积的性质以及矩阵范数的性质,给出方程近似解的向后误差界,最后通过数值例子说明解的向后稳定性.     

关于解大型稀疏线性代数方程组一种算法的误差分析

本文利用J.H.Wilkinson“向后分析”误差理论证明了Ⅰ中算法的稳定性,并给出近似解残量的估计式。 Ⅰ 算法 给定线性代数方程组 Ax=b,(1.1)其中A是大型稀疏对称正定矩阵。为了有效地求解它,所用算法必须是稳定的,且在计算过程中要求充分利用和保持A的稀疏性,以节省存储量,并使计算时间短,解的     

基于L_p正则化的自适应稀疏group lasso研究

基于稀疏group lasso的思想和adaptive lasso的优点,提出更具一般性的Lp正则化的自适应稀疏group lasso,并对其高维统计性质进行了研究.通过对正则子、损失函数的性质和正则参数的选择的分析,最终得到基于Lp正则化的自适应稀疏group lasso非渐近误差界估计.