基于SCAD的压缩感知阈值迭代算法的收敛性分析.pdfVIP

第卷 第期 工 程 数 学 学 报 年月 文章编号 基于 的压缩感知阈值迭代算法的收敛性分析∗ 张 会 , 张 海 , 勾 明 西北大学数学学院，西安 中国科学院数学与系统科学研究院应用数学研究所，北京 摘 要: 基于SCAD 罚函数的压缩感知在有噪声稀疏信号重建中具有优良的理论及应用效果， 开展其快速重建算法研究有着重要的意义，阈值迭代算法是解决压缩传感问题最有效 的算法之一．本文研究了基于SCAD 罚函数的压缩感知阈值迭代算法的收敛性问题， 给出了算法收敛到稀疏解的充分条件，并证明了迭代估计值以指数阶速率收敛于最优 值．进一步，本文给出了基于AMP 改进的SCAD 阈值迭代算法的收敛性分析． 关键词: 压缩感知；SCAD；阈值迭代算法；稀疏性 分类号: (2000) 68Q25 中图分类号: O175.29 文献标识码: A 引言言 压缩感知 是一种全新的稀疏信号重构技术．它能在完全重建的前提下，以远小于 传统的奈奎斯特采样的方式获取信息．其本质是利用信息表示的稀疏性，将采样与压缩合 并进行的信息获取方式．压缩感知的意义在于突破传统的采样方式，以更经济的形式获取 信息，从而为高复杂性信息的获取、处理与应用带来可能．近年来在信号处理、图像处理 和统计机器学习及其它多个领域获得广泛应用 ． 压缩感知的数学描述为：假设有一个有限长度的信号x, x ∈ ，该信号在某一 个正交基{θ } 下可表示为x = Ψs，这里Ψ = (θ , θ , · · · , θ )，s 称为基的系数，s 至 多有k 个非零元素(k 为s 的稀疏度)．对于此信号，通过测量矩阵Θ 来对x 进行观测(测 量)，假定得出的观测值为y, y ∈ ，即满足 y = Θx = ΘΨs, (1) 通常称Φ = ΘΨ, Φ ∈ × 为传感矩阵，当k, p, N −→ ∞ 时， k p −→ ρ, −→ δ, ρ ∈ (0, 1), δ ∈ (0, 1), p N ρ 是稀疏性的一种度量，δ 是欠采样的比例．我们希望从观测数据y 恢复稀疏未知向量s， 进而恢复信号x ．此问题从数学上可建模为下述L 问题 min ∥s∥ , s.t. y = Θx = ΘΨs, (2) 收稿日期 作者简介 张会年月生，女，研究生 研究方向：机器学习 基金项目 国家自然科学基金 ；陕西省自然科学基金；陕西省教育厅专项科 研计划 244 工 程 数 学 学 报 第卷 其中∥s∥ 为L 范数，表示向量s 的非零分量的个数．上述问题往往对应于一个NP 难问 题，基于此，通常将其转化为L 问题来求解