劉娟

摘 要 壓縮感知理論（CS）是利用信號稀疏性的一種新的信號采樣方法，而稀疏優(yōu)化是該理論的研究熱點之一。本文提出了有效的基于加權正則化的塊稀疏優(yōu)化算法。盡管加權正則化改善了塊稀疏問題，但是由于結構和可能的分塊不則則性，所以該正則化問題會比傳統(tǒng)的正則化問題更難解決。本文基于變量分裂和交替方向（ADM），將兩種算法分別對應于加權正則化的原規(guī)劃問題和對偶規(guī)劃問題，數(shù)值實驗結果表明，本文提出的ADM算法在隨機問題中具有良好的效率及穩(wěn)健性。

關鍵詞 壓縮感知 塊稀疏 加權正則化 交替方向法

中圖分類號：TN911.7 文獻標識碼：A

近十年來，現(xiàn)代信號處理領域出現(xiàn)一個熱門的研究方向，即壓縮感知理論（Compressive Sensing（CS）），此概念由Candes和Donoho等人于2004年首次提出，是一種尋找欠定線性系統(tǒng)的稀疏解的技術。實際上，許多稀疏解都是已知的某些塊稀疏結構。此稀疏解已有了一個自然分塊，而這個塊可能由全是零或者全非零的元素塊成。編碼塊稀疏結構可以減少稀疏解中的自由度。從而較大程度地提升了對稀疏信號的恢復重建能力。

本文主要研究欠定線性測量中稀疏解的重建問題。近年來，對于塊稀疏重建問題，一個較好的解決方法是運用加權正則化。假設x∈Rn是未知的塊稀疏解，{xgi∈∶i=1，…，s}是x的分塊，其中gi {1，2，…，n}是對應于第i塊的一個指標集，表示指標集gi的矢量。下面定范數(shù)為||x||∶||x||2 （1）

范數(shù)正則化有助于塊稀疏信號重建，但同時也會引起凸優(yōu)化問題。然而，由于非平滑和混合范數(shù)結構，范數(shù)正則化的問題很難解決。目前已有的算法譜有：投影梯度法（SPGLI），加速梯度法（SLEP），塊坐標下降算法和SpaRSA。

本文基于變量分裂和交替方向法（ADM）提出了一個解決范數(shù)正則化問題的新方法。本文運用了ADM方法解決了范數(shù)正則化中的原則劃問題和對偶規(guī)劃問題，并得到所有子問題的閉合形式解。數(shù)值結果表明，本文所提出的算法快速、穩(wěn)健。

1數(shù)據(jù)模型和問題描述

3結語

本文提出了有效的交替方向法來解決基于一正則化的塊稀疏優(yōu)化問題。如果每次迭代時可正確地簡化凸二次函數(shù)。那么現(xiàn)有的理論可以保證這些ADM算法的收斂。當測量矩陣A是一個行是標準正交的部分變換矩陣.那么主要的計算量就只是每次迭代中的兩個矩陣矢量乘法。此外，這樣一個矩陣A可以被視為一個無明確存儲的線性算子。這對于大則模計算是特別可取的。對于一般的矩陣A。求解一個線性系統(tǒng)也是必須的。計算結果可以證明了ADM算法對于塊稀疏解的重建的有效性。ADM算法的實現(xiàn)表明了此方法比SPGLl算法有著明顯的速度優(yōu)勢。此外。至少在隨機問題上ADM算法比SPGLl算法更易得到精確解。

參考文獻

[1] 韓寧，劉勇進，劉梅嬌.一類閉凸錐上投影算子的計算[J].沈陽航空航天大學學報，2013，30（5）：88-91.