基于交替方向乘子法的信号恢复方法.docxVIP

基于交替方向乘子法的信号恢复方法 恢复被干扰污染信号的干净信号是恢复信号的主要任务。因为高斯分布有闭式的概率密度函数，易于得到其统计特征然后进行估计，所以高斯分布常用作干扰假设。另外，近年来利用信号的某些特殊结构，发展出了各种信号恢复的方法，例如，利用信号的稀疏特性发展而来的压缩感知理论（Compressive Sensing,CS）。该理论简而言之，是指当目标信号具有稀疏特性或者可压缩特性时，只需要少量的观测信号，就可以通过求解最小化优化问题‖y-Ax‖ 以上关于信号恢复的研究均是在信号干扰为加性高斯分布的假设下开展的，而实际经常会遇到一种称作冲击干扰的厚重拖尾分布 笔者利用l 1 冲击干扰的优化模型 被噪声污染的观测信号可以表示为 其中，y、x和n分别表示受干扰的观测信号、清晰信号和加性噪声；A 其中，‖·‖ 在冲击干扰下，优化模型式（2）可以利用α稳定分布的低阶矩统计特征转化为下述优化问题： 当满足pα（α为稳定分布特性指数参数）时，优化问题式（3）才能有效抑制冲击干扰。优化问题式（3）中之所以使用l 引理1对于一个位置参数为零的对称稳定α分布的随机变量X，它的低阶矩由下面公式给出： 其中， 2 增广拉格朗日方程 为了利用交替方向乘子算法求解问题式（3），适当对优化问题进行变型，写为文献 其中，λ是正则化参数，s是引入的辅助变量。由式（4）可以得到对应的增广拉格朗日方程为 其中，ρ0为惩罚参数。通过交替方向乘子算法，将原问题分解为求解对偶变量和原始变量的子问题来求得问题式（5）的最优解，迭代更新方程如下： 下文中，分别给出优化变量s和x迭代步骤的求解方法。 2.1 防止式7一阶导数 针对式（6）中的优化变量s子问题的迭代问题是一个基于l 其中，ε0，ε是一个很小的正数以防止式（7）求一阶导数时分母为零。进而可以导出优化问题式（7）的一阶优化条件为 首先通过固定点迭代方法，将式（8）改写为 整理迭代方程式（9），写为向量形式为 其中，D是对角矩阵，定义D=diag{p/[ρ（ε 其中，ω 2.2 内点法迭代模型 对于式（6）中优化变量x的求解，是一个l 由式（12），可以写出约束的对数障碍函数为 (x*(t),u*(t））的中心路径通过下面凸优化问题给出，即 其中，t:0→∞。根据原始的内点法，通过牛顿方程计算（Δx，Δu）搜索方向，即 其中，H=! 其中， 梯度由下式计算： 其中， 其中，I为单位矩阵，阵元素均为1。 根据内点法原理，按照（Δx，Δu）搜索的方向，随着t增加至∞会逐渐逼近原问题的最优解，完整的算法迭代流程总结如下。 (1）目标函数：‖x‖ (2）输出：x的估计值。 (3）初始化：l=1。 (4）循环：l=l+1。 步骤1求解式（6）关于s的迭代方程得到的估计； 步骤2求解式（6）关于x的迭代方程得到的估计； 步骤3通过更新对偶变量。 (5）结束：当lT（最大迭代次数）或原始变量与对偶残变量的残差小于预设阈值时，结束迭代。 3 数值模拟实验 在本节中，数值仿真结果说明了笔者提出的加权l 3.1 模拟实验数据 图1(a）中的实验结果展示了稀疏度不同的真实信号在冲击干扰下，提出的加权l 3.2 随机值警察噪声 此外，将笔者提出的算法用在了图像增强上，用于去除图像中的随机值椒盐噪声。图2是文中实验中使用的图片素材。 图3展示了传统经典滤波算法，即AM＿IEPR 图4是笔者提出的加权算法和l 4 迭代重加权最小二乘算法 笔者提出了一种基于l (2）当1p≤2时，用迭代重加权最小二乘算法 实验中，观测矩阵A为高斯随机数产生随机测量矩阵，冲击干扰由参数为α=1，γ=5×10 当信号恢复的相对误差