稀疏优化算法综述.docxVIP

?信号处理?稀疏优化算法综述于春梅YUChunmei西南科技大学 信息工程学院，四川 绵阳 621010CollegeofInformationEngineering,SouthwestUniversityofScienceandTechnology,Mianyang,Sichuan621010,ChinaYUChunmei.Reviewonsparseoptimizationalgorithms.ComputerEngineeringandApplications,2014,50（11）：210-217.Abstract：Compressed Sensing（CS）is a new theoretical frame about information acquisition and processing developedin recent years. This paper gives an introduction to the basic theory of CS, focused on sparse optimization algorithms,whicharedividedintothreeclassesinthispaper：activesetmethods,projectionoperatormethodsandclassicalconvexprogrammingmethods.Thebasicidea,mainresearchprogresses,andadaptiveoptimizationproblemsofeachmethodarediscussed.Finally,someopenproblemsandresearchdirectionsinsparseoptimizationofCSarepointedout.Keywords：compressedsensing;sparseoptimization;activesetmethods;projectionoperatormethods;classicalconvexprogrammingmethods摘要：压缩感知是近年来发展起来的关于信息获取与处理的全新理论框架。主要介绍压缩感知的基本理论，侧重于稀疏优化算法的综述。将稀疏优化算法分为活动集方法、投影算子法和经典凸规划法。介绍了每种方法的基本思想、研究进展和适用的优化问题。最后，探讨了稀疏优化算法目前存在的问题以及可能的研究方向。关键词：压缩感知；稀疏优化；活动集方法；投影算子法；经典凸规划法文献标志码：A中图分类号：TN911doi：10.3778/j.issn.1002-8331.1301-0240Nyquist采样定理表明：要精确重建信号，采样频率必须大于等于信号最高频率的两倍。由于很多信号在时域、频域或空域是稀疏的；也就是说在大多数情况下，信息存在冗余，即可以通过正交变换的方法进行压缩。那么，是否可以直接获取信号的压缩表示，而非冗余表示，使其在信息不损失的前提下，用低于Nyquist采样定理的要求对信号或者图像进行采样，同时又可以完全重构信号?这就是近年来吸引了从数学领域到信号处理、图像处理、测量、控制等各个工程领域科技人员的压缩感知问题，或压缩传感问题。该问题最核心的概念在于试图使压缩和采样同时进行，从而极大降低测量成本。近年来美国著名学者Donoho和Candès等根据信号的分解和逼近理论提出了压缩感知理论，为该问题提供了可能的解决方案。Candès等[1-2]从数学上证明：可以从部分傅里叶变换系数中精确重构原始信号，而Donoho[3]则以Nyquist-Shannon-Whittaker定理、Heisenberg测不准原理、Fourier投影以及优化理论为基础，提出了压缩感知的概念。Candès和Donoho证明：如果原始信号或图像的某一正交变换是稀疏的，则可以通过合适的优化算法，由少量采样值或测量值来重构信号或图像。该理论是传统信息论的延伸，使得信息理论进入了一个新的研究阶段。本文试图对稀疏求解算法做一个梳理，从最基本的优化问题到一些变形和适用范围，然后侧重对稀疏优化算法进行分类和分析，并给出最新的发展现状。1 压缩感知的基本问题传统的和基于压缩感知的信号采样、传输和恢复过程框架分别如图1（a）和图1（b）所示。基金项目：国家自然科学基金（No；西南科技大学博士研究基金。作者简介：于春梅（1970—），女，博士，教授，主要研究方向为系统辨识、故障诊断、模式识别等。收稿日期：2013-01-22修回日期：2013-04-09文章编号：1002-8331（2014）11-0210-08CNKI 网络优先出版：2013-