压缩感知-Gradient Projection for Sparse Reconstruction(梯度投影稀疏重建)
来源:互联网 发布:linux时间同步 编辑:程序博客网 时间:2024/06/02 06:13
压缩感知-Gradient Projection for Sparse Reconstruction
GPSR的作用主要是为了解决无约束的凸优化问题:
而GPSR的第一个关键步骤就是将公式(1)转化为一个二次规划问题。转化的方法是将
则约束项变为:
这样式(1)就可以重写成带边界约束的二次规划问题(bound-constrained quadratic program, BCQP):
公式(3)可以进一步写成一个标准的BCQP形式:
其中
后面有两个经常用到的公式为:
而:
以及:
为了求解公式(4),梯度投影GP的核心思想是,首先找到一个标量参数序列
然后选择第二个标量参数序列
而根据
1. GPSR-Basic
GPSR-Basic的思想是让
初始化
且可以直接解得:
为了防止
具体算法步骤如下:
- 初始化。给定
z(0) ,设置β∈(0,1) ,μ∈(0,1/2) ,迭代次数k=0 ;- 使用公式(11)计算
α0 ,并替换α0=mid[αmin,α0,αmax] ;- 回朔线性搜索:从序列
α0,βα0,β2α0,... 中选取满足:F((z(k)−α(k)∇F(z(k)))+)<F(z(k))−μ∇F(z(k))T(z(k)−(z(k)−α(k)∇F(z(k)))+) 的第一个值为αk ,并更新
z(k+1)=(z(k)−α(k)∇F(z(k)))+ ;- 判断是否收敛,若未收敛则返回步骤2继续迭代。
2. GPSR-BB
GPSR-Basic算法保证了目标函数
一般取
且即使目标函数值
GPSR-BB算法是将BB策略扩展到BCQP问题,选择公式(6)中的
- 初始化。给定给定
z(0) ,设置αminαmax ,,α0∈[αminαmax] ,迭代次数k=0 ;- 计算更新步长:
δ(k)=(z(k)−α(k)∇F(z(k)))+−z(k) ;- 线性搜索。在
[0,1] 区间内找到最小化F(z(k)+λ(k)δ(k)) 的值为λ(k) ,且更新z(k+1)=z(k)+λ(k)δ(k) ;- 更新
α 。计算
γ(k)=(δ(k))TBδ(k)
如果γ(k)=0 ,则令α(k+1)=αmax ,否则:α(k+1)=mid⎧⎩⎨⎪⎪αmin,∥∥δ(k)∥∥22γ(k),αmax⎫⎭⎬⎪⎪ - 判断是否收敛,若未收敛则返回步骤2继续迭代。
上述步骤(3)中
参考文献:
1. Figueiredo M A T, Nowak R D, Wright S J. Gradient Projection for Sparse Reconstruction: Application to Compressed Sensing and Other Inverse Problems[J]. IEEE Journal of Selected Topics in Signal Processing, 2008, 1(4):586-597.
阅读全文
0 0
- 压缩感知-Gradient Projection for Sparse Reconstruction(梯度投影稀疏重建)
- Gradient Projection for Sparse Reconstruction Mário Figueiredo,
- 压缩感知中的数学知识:投影矩阵(projection matrix)
- Justin Romberg 压缩感知:利用凸优化实现稀疏信号重建的科普
- 稀疏表示和压缩感知
- 压缩感知-有关稀疏矩阵
- 压缩感知与稀疏表示
- 稀疏表示与压缩感知
- 压缩感知有关稀疏矩阵(中国压缩感知资源)
- Image Reconstruction:Back projection
- 压缩感知和稀疏表示(转)
- 压缩感知和稀疏信号处理
- Accelerated Gradient Method for Multi-Task Sparse Learning Problem[2009]
- 墨托卡投影(Mercator projection)
- Back Projection反向投影
- 贪婪投影 greedy projection
- Camera Projection (相机投影)
- A Benchmark for Surface Reconstruction 表面重建的基准
- C++ primer 练习
- C++/C++11中<numeric>的使用
- JSP中涉及到的编码问题
- Java设计模式之组合模式
- 【Selenium异常】NoSuchElementException
- 压缩感知-Gradient Projection for Sparse Reconstruction(梯度投影稀疏重建)
- Memcache的三种Java客户端的对比和选择
- C/C++把字符串划分为二维字数组,2种分割方法
- 七、计算机网络之连网与名称解析
- 20170912_归并两个已经排好序的单链表
- 记录记录
- vue关于微信开发,输入法把底部顶上去的情况
- Python 装饰器实现样例
- CAE云计算