共轭梯度法在大规模信号重构问题中的应用.pdfVIP

摘 要 用于稀疏信号恢复的 正则化基本方法在国内外引起了极大的关注，它被广 1 泛应用于基追踪去噪、压缩感知及其它相关领域.但因为模型中正则项的非光滑 性，在应用中却往往充满挑战. 第一、利用Nestero 光滑技术，把 正则化最小二乘问题转化为光滑无约束 1 凸优化问题.然后提出了一个修正的HS 共轭梯度算法用于解决大规模信号恢复 问题.本文证明了算法的全局收敛性.数值试验表明提出的算法是有效性的，适合 解决大规模稀疏信号恢复问题. 第二、首先提出了一个用于压缩感知信号恢复的无约束鲁棒方法.即用 SCAD 惩罚函数代替 正则化最小二乘问题的 范数惩罚函数，因为SCAD 的一  1 1 个局部二次逼近是凸且可微的，所以目标函数的梯度和海瑟阵很容易计算.接下 来本文提出了一个基于非单调线搜索技术的超记忆梯度算法.在每一步迭代，提 出的方法充分利用前面多步迭代信息，避免目标函数海瑟阵的储存和计算，因此 它适合解决大规模信号恢复问题，且算法能够稳定收敛.在某些假设下，证明了 提出的算法的收敛性.数值试验说明了提出的算法的有效性. Nestero SCAD 关键词：压缩感知；共轭梯度法； 光滑技术； 惩罚函数；超记忆 梯度法； 万方数据 Abstract Abstract The 1 regularization based methods for sparse signal reconstruction is a topic of considerable interest recently, which is widely employed in basis pursuit denoising, compressed sensing and other related fields. But it is challenging due to the non-smoothness of the regularization term. Firstly, by making use of Nesterovs smoothing technique, the 1 -regularized LSP can be cast as smoothing unconstrained optimization problem. A new modified HS conjugate gradient algorithm is proposed for solving large-scale recovery problems in signal processing. The global convergence of the proposed scheme is analyzed. Numerical experiment shows that our algorithm is effective and suitable for solving large-scale sparse signal recovery problems. Secondly, a robust signal recove