基于l_(1/2)范数正则化的图像重建方法

为了利用l_1范数保持图像边缘信息的优势,并兼顾l_2范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型——l_(1/2)范数正则化方法。相比于经典的l_1范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。

基于组稀疏的遗传性疾病和性状基因位点选择方法研究

如何从海量基因信息中高效挖掘出遗传性疾病密切相关的基因位点是全基因组关联性分析的核心问题.然而,目前常用的致病基因位点选择单变量分析技术不能发现多基因复杂交互形成的致病机制.为此,本文尝试从多变量分析角度,采用稀疏优化模型,实现致病基因的选择.为进一步实现致病基因位点的选择,采用基于L12范数的最小组稀疏角回归算法,通过调整正则化系数大小来控制模型的组间稀疏度,最终有效实现了致病基因和基因位点的选择.最后,通过某遗传疾病的真实基因数据,验证了该方法的有效性.