基于加权L1极小化模型选择线性回归模型中的自变量求解

文章引进了l1极小化技术,来选择线性回归模型中的自变量。主要是解决一个加权向量的l1极小化问题,使所求向量尽可能稀疏。通过二次规划构想,进行变换,使之成为求解二次规划的问题,然后用GP-SR(稀疏重建的梯度投影)的方法来求解。通过l1极小化理论和数据的稀疏性的应用,就可以大大的减少自变量的个数,从而减轻了回归的计算量并且能保持回归模型的质量。

基于差分算子的和声搜索算法求解非线性l_1模极小化问题

针对一类目标函数非光滑的l1模极小化问题,提出了一种改进的和声搜索算法.结合差分进化算法的变异策略,用差分向量算子取代和声搜索算法的音调微调.实验结果表明,改进后的和声搜索算法能够获得原问题的全体解.

L_1极小化问题的一种Gauss-Seidal算法

采用罚函数法与Gauss-Seidal算法相结合的思想研究求解L1极小化问题的数值算法:把L1正则化问题视为对L1极小化问题的一种罚函数,由于该函数是非光滑函数,采用光滑化函数对其进行光滑逼近;在此基础上,对此无约束光滑极小化问题采用Gauss-Seidal迭代法求其某种形式的非精确解;再通过合理调整罚参数和光滑化参数,使得算法产生点列收敛于L1极小化问题的解;最后,通过数值试验测试文中算法的效果,并从数值计算角度与已有算法进行比较,结果表明,文中算法具有很好的数值效果.

非线性l1模极小化问题的路径跟踪算法

针对非线性l1模问题,利用极大熵函数将其转化为一般的可微优化问题,并建立了极大熵同伦映射及求解同伦曲线的路径跟踪算法,亦证明了方法的收敛性,给出了数值算例.

线性l_1模极小化问题的熵函数延拓法

本文通过利用极大熵函数构造同伦映射,建立了求解无约束线性l_1模问题的熵函数延拓算法,证明了方法的收敛性,并给出了数值算例．

基于l1-l2范数极小化的稀疏信号重建条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号。文章建立了基于极小化l1-l2范数的稀疏信号精确重构的充分条件,并给出了有噪声情形下的误差分析结果。

基于冗余紧框架的?2/?1极小化块稀疏压缩感知

压缩感知是(近似)稀疏信号处理的研究热点之一,它突破了Nyquist/Shannon采样率,实现了信号的高效采集和鲁棒重构.本文采用l2/l1极小化方法和BlockD-RIP理论研究了在冗余紧框架下的块稀疏信号,所获结果表明,当BlockD-RIP常数δ2k/τ满足0<δ2k/τ<0.2时,l2/l1极小化方法能够鲁棒重构原始信号,同时改进了已有的重构条件和误差上界.基于离散傅里叶变换(DFT)字典,执行了一系列仿真实验充分证实了理论结果.

基于混合l_2/l_1范数极小化方法的块稀疏信号重构条件

研究压缩感知中的块稀疏信号重构问题,主要对混合l_2/l_1极小化方法建立了一类改进的可重构条件.具体地说,本文证明若测量矩阵满足条件δ_k+θ_(k,k)<1,则混合l_2/l_1极小化方法可精确重构(无噪声情形)或鲁棒重构(有噪声情形)原始块k-稀疏信号.进而表明本文给出的新条件弱于现有文献所给出的条件.

一种求解弹性l_2-l_q正则化问题的算法

给出了一种求解弹性l_2-l_q正则化问题的迭代重新加权l_1极小化算法,并证明了由该算法产生的迭代序列是有界且渐进正则的.对于任何有理数q∈(0,1),基于一个代数的方法,进一步证明了迭代重新加权l_1极小化算法收敛到弹性l_2-l_q(0<q<1)正则化问题的稳定点.最后,通过稀疏信号恢复的数值实例验证了算法的有效性.

冗余字典的扰动压缩数据分离

在冗余字典满足相互一致性条件和完全扰动矩阵满足限制性同构条件下,基于l1-极小化方法,对压缩数据分离问题进行了研究,完美地重构了原始信号.

一类不可微优化问题的混合萤火虫算法

基于萤火虫算法与凝聚熵函数法解决非线性l1模极小化问题。利用凝聚熵函数将非线性l1模极小化问题的目标函数及约束函数分别转化为单一光滑函数,构造此光滑目标函数与光滑约束函数的精确罚函数,将此罚函数作为萤火虫算法的适应值函数进行求解,最后利用此罚函数的最优解来近似代替原非线性l1模极小化问题的解。数值实验结果表明,该算法可以有效求解非线性l1模极小化问题。