基于l1与l0正则化的压缩感知数值算法.pdfVIP

第39卷第3期 江西师范大学学报（自然科学版） Vol.39No.3 2015年5月 JournalofJiangxiNormalUniversity（NaturalScience） May2015 文章编号：1000-5862（2015 ）03-0281-05 基于l 与l 正则化的压缩感知数值算法1 0 李订芳，江 磊 （武汉大学数学与统计学院，湖北武汉 430072 ） 摘要：针对压缩感知模型，讨论了基于l 正则化的正交匹配追踪算法（OMP）与基于l 正则化的同伦算 0 1 法（HM）和迭代加权最小二乘法（IRLS）.通过数值实验结果分析，验证了3种算法的有效性，且相对于2 种基于l 正则化的算法，OMP算法的迭代次数与耗时更少，均方误差更小.1 关键词：l 正则化 正则化 1 ；l0 ；压缩感知；稀疏恢复 中图分类号：TP391.41 文献标志码：A DOI：10.16357/ki.iss2015.03.11 结2 类方案及其相应的数值算法，并给出基于 0 引言 Matlab 的程序实现. 第1种较为自然的解码方案是求解如下的最优 在科学与工程领域，人们经常需要对信号进行 问题l0［7-8］： 观测，以期通过观测信息对原始的信号进行重建.将 min x ‖ ‖ 0 x Rn ∈ 信号x 抽象为1个n维向量，观测的过程抽象为用 s.t.Ax = y， m×n 的矩阵A 与信号x进行乘积，则观测的信息为 这里 x 表示x 中非0元素的个数，即解码过程 ‖ ‖ 0 y = Ax， 为寻求满足约束的最稀疏解，这也是最感兴趣和最 称A为观测矩阵，满足行满秩条件，行数m就是观测 希望得到的解.定义支撑集为向量中非零元的指标 m维向量y 为观测信息的抽象. （采样）的次数， 集，即 S（x ）= ｛i x 0，i = 1，2，…，n ｝ i ≠ ，从而 当前多数数据采集系统都是基于传统的香农定 x = #S（x ）. ‖ ‖