subject to (5)
迭代过程中为满足的一个向量,每次迭代都根据前一次迭代的结果重新定义,并可以得到此次迭代的结果,当达到指定的迭代次数或收敛到某一范围时,迭代停止。这里的为一系列的非增正数。从(5)式中可以看出,相对与矩阵
最小化的实质为解一系列的最小化问题,当,时,此问题就等同与最小化问题。
算法收敛性证明:
因此
最终可以得到
三 试验结果分析
本文选一组由雷克原子组成的基作为观测矩阵,其中,。观测信号为由十个雷克原子相卷积组成的的混合信号,选用的十个原子的位移参数-幅度图如图1(a)所示,混合信号波形如图1(b)所示:
图1(a) 图1(b)
分别用没有加权的最小化算法和加权的最小化算法对图1(b)中的混合信号进行分离,对于加权算法,选为0.5,分解得到的位移-幅度图如图2(a)和2(b)所示。从图2(b)可以看出加权后得到的解更稀疏,更能准确地分离出原始信号。
图2(a) 图2(b)
下面来谈论参数及对分解结果的影响,第一组试验我们选迭代次数= 4,= 0,分别为0.5;0.1;0.05;0.01,分解得到的位移-幅度值如表1所示。从表中可以看出,当= 0时,随着的减小,分解结果越接近原始信号。
表1 分解结果比较
分解结果
0.5 0.1 0.05 0.01
z0 0.0443 0.0472 0.0482 0.0491
-0.2494 -0.2499 -0.2500 -0.2500
0.3095 0.3099 0.3100 0.3100
0.2794 0.2799 0.2800 0.2800
-0.2393 -0.2399 -0.2399 -0.2400
0.4096 0.4100 0.4100 0.4100
0.4396 0.4400 0.4400 0.4400
-0.2192 -0.2199 -0.2199 -0.2200
0.6998 0.7000 0.7000 0.7000
0.7598 0.7600 0.7600 0.7600 0.0500
-0.2500
0.3100
0.2800
-0.2400
0.4100
0.4400
-0.2200
0.7000
0.7600
第二组试验我们固定= 0.5,分别为0;0.05;0.1;0.2,分解得到的位移-幅度值如表2所示。从表中可以看出,=0.05时分解结果最接近原始信号z0。
表2 分解结果比较
分解结果
0 0.05 0.1 0.2
z0 0.0443 0.0444 0.0441 0.0441
-0.2494 -0.2498 -0.2494 -0.2496
0.3095 0.3098 0.3095 0.3096
0.2794 0.2798 0.2794 0.2796
-0.2393 -0.2397 -0.2393 -0.2395
0.4096 0.4098 0.4096 0.4097
0.4396 0.4398 0.4396 0.4397
-0.2192 -0.2197 -0.2192 -0.2195
0.6998 0.6999 0.6998 0.6998
0.7598 0.7599 0.7598 0.7599 0.0500
-0.2500
0.3100
0.2800
-0.2400
0.4100
0.4400
-0.2200
0.7000
0.7600
四 结论
从试验中可以看出,最小化算法分解的结果取决与和的选择,加权的最小化算法为一种特殊的最小化算法,某些情况下,其分解的结果可能达到最好,现在面临的主要问题是如何来选择和从而使分解结果达到最优。
参考文献:
[1] S. Chen, D. L. Donoho, and M. A. Saunders. Atomic decomposition by basis pursuit. SIAM Review. 2001, 43(1): 129-159.
[2] Bertsekas D. Non-Linear Programming. Athena Scientific, Belmont, MA, 2nd edition, 1995
[3] Shrijver A. Theory of Linear and Integer Programming. John Wiley, 1998
[4] E. J. Cand`es, J. Romberg, and T. Tao, “Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information,” IEEE Trans. Inform.Theory, vol. 52, no. 2, pp. 489–509, Feb. 2006.
[5] E. J. Cand`es and T. Tao, “Near optimal signal recovery from random projections:Universal encoding strategies?,” IEEE Trans. Inform. Theory, vol. 52, no. 12, pp.5406–5425, Dec. 2006.
[6] D. Donoho, “Compressed sensing,” IEEE Trans. Inform. Theory, vol. 52, no. 4,Apr. 2006.
[7] Cand_es, E. J., M. Watkin, and S. Boyd, Enhancing Sparsity by Reweighted l1 Minimization,To appear in J. Fourier Anal. Appl.
[8] Simon Foucart and Ming-Jun Lai, Sparsest Solutions of 、Underdetermined Linear Systems via -minimization for 0 < q 1.July 22, 2008