一般對偶框架下基于lp(0
2015-06-09 20:27:34吳焚供張然然覃耀海鐘彭洪
中山大學學報(自然科學版)(中英文) 2015年6期
吳焚供，張然然，覃耀海，鐘彭洪
(廣東第二師范學院數(shù)學系，廣東 廣州 510303)
?
一般對偶框架下基于lp(0吳焚供，張然然，覃耀海，鐘彭洪
(廣東第二師范學院數(shù)學系，廣東 廣州 510303)
壓縮感知理論指出，只要信號是可壓縮的或稀疏的，就能以較低的頻率采樣信號，并能高概率的重構(gòu)該信號。在實際的應(yīng)用中, 許多信號只能在某些框架下具有稀疏表示，而無法在正交基下獲得稀疏表示。針對這一類信號的恢復(fù)，一般采取的是l1-analysis方法。近期有些相關(guān)研究考慮了一般對偶框架下基于l1-analysis方法的信號恢復(fù)問題，在比前期l1-analysis方法更弱的條件下得到了更好的恢復(fù)結(jié)果。受此啟發(fā)，我們考慮了一般對偶框架下，基于lp(0壓縮感知；信號恢復(fù)；框架；對偶框架；l1-analysis
壓縮感知所考慮的問題是如何將一個高維稀疏信號從數(shù)目不大的一組測量數(shù)據(jù)
y=Af+z
中恢復(fù)出來，其中A是m×n的測量矩陣，且m<一般情況下，考慮的信號f是在一組正交基下具有稀疏的 (或近乎稀疏的)表示，或者更一般的
情況，f本身便是稀疏的 (或近乎稀疏的)。如果測量矩陣A滿足限制等距性質(zhì)(RestrictedIsometryproperty)的條件(參考文[6-11])，則稀疏信號f可以通過求解如下的lp-最小化問題
得到精確的 (或者誤差很小的) 恢復(fù)，這里p∈(0,1]。向量u∈Rn的lp-范數(shù)定義為
然而在信號處理的實際應(yīng)用中，越來越多的情況所涉及的信號f是在一個框架 (或過完備字典) 下是稀疏的，而不是在一個標準正交基下稀疏的。我們說矩陣D∈Rn×d(n
本文中我們要研究的信號f就是在某個框架D下是稀疏的。即f=Dx,x∈Rd為稀疏向量。此時對f的相應(yīng)測量數(shù)據(jù)變成
y=ADx+z
由于x是稀疏的，一種直接恢復(fù)f的方法很自然的被考慮到，即l1-synthesis(參考文[12-14])。該方法首先通過求解如下的l1-最小化問題
另外一種可以代替l1-synthesis的方法是l1-analysis(參考文[14,18-19])。這個方法是通過求解如下l1最小化問題：
(1)
(2)
(3)
(4)
受文[20]的啟發(fā)，考慮了一般對偶框架下，基于lp(0
(5)
采用新的方法，并得到了相應(yīng)的理論結(jié)果。
1 記號與定義
另記T01=T0∪T1，D*h(t)表示D*h的第t個元素。
下面對本文中常用到的概念給出具體的定義。
定義2[22]設(shè)測量矩陣A∈Rm×n，稱A滿足常數(shù)為γs∈(0,1)的s階RIP性質(zhì)，如果對所有的s階稀疏的信號v，總成立
定義3[14]設(shè)D∈Rn×d為一框架，Σs為Rd中所有s階稀疏的向量之集，測量矩陣A滿足常數(shù)為δs的D-RIP性質(zhì)，是指
對所有的u∈Σs都成立。
2 引理和主要結(jié)果
在給出主要結(jié)果前，我們先給出如下兩個有用的引理。
抓好做實企業(yè)基層思想政治工作是一門大學問，如何靈活應(yīng)用適當?shù)姆椒?，對確保思想政治工作的實效性至關(guān)重要。毛澤東曾以“過河”是用“橋”或“船”的問題作過生動比喻，深刻地說明了工作方式方法的重要性。
兩邊開p次方后再平方，得
對t∈Tj求和，得
兩邊開平方再乘p次方，得
對全體的j∈{1,2,…,l-1}求和，有
則問題 (5) 的解與原始信號滿足
其中C1,C2為常數(shù)。
(7)
因為
由引理1可得
結(jié)合引理2，有
(8)
(9)
結(jié)合(7)-(9)式，可得
其中
證完。
[1]CANDSEJ,TAOT.Nearoptimalsignalrecoveryfromrandomprojections:Universalencodingstrategies? [J].IEEETransactionsonInformationTheory, 2006, 52: 5406-5425.
[2]CANDSEJ,ROMBERGJ,TAOT.Robustuncertaintyprinciples:exactsignalreconstructionfromhighlyincompletefrequencyinformation[J].IEEETransactiononInformationTheory, 2006, 52: 489-509.
[3]CANDSEJ.Compressivesampling[J].InternationalCongressMathematicians, 2006, 3: 1433-1452.
[4]DONOHODL.Compressedsensing[J].IEEETransactionsonInformationTheory, 2006, 52: 1289-1306.
[5]DONOHODL,ELADM,TEMLYAKOVVN.Stablerecoveryofsparseovercompleterepresentationsinthepresenceofnoise[J].IEEETransactionsonInformationTheory, 2006, 52: 6-18.
[6]CHARTRANDR,STANEVAV.Restrictedisometrypropertiesandnonconvexcompressivesensing[J].InverseProblem, 2008, 24: 035020.
[7]FOUCARTS,LAIMJ.Sparsestsolutionsofunderdeterminedlinearsystemsvialq-minimization for 0[8]SAABR,CHARTRANDR,YILMAZO.Stablesparseapproximationsvianonconvexoptimization[C]∥IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing, 2008: 3885-3888.
[9]SHENY,LIS.Restrictedp-isometrypropertyanditsapplicationfornonconvexcompressivesensing[J].AdvancesinComputationalMathematics, 2012, 37(3): 441-452.
[10]DAVIESME,GRIBONVALR.Restrictedisometryconstantswherelpsparserecoverycanfailfor0[11]CANDSEJ.Therestrictedisometrypropertyanditsimplicationsforcompressedsensing[J].ComptesRendusMathematique, 2008, 346(9/10): 589-592.
[12]CHENSS,DONOHODL,SAUNDERSMA.Atomicdecompositionbybasispursuit[J].SIAMReview, 2001, 43: 129-159.
[13]ELADM,MILANFARP,RUBINSTEINR.Analysisversussynthesisinsignalpriors[J].InverseProblem, 2007, 23: 947-968.
[14]CANDSEJ,ELDARYC,NEEDELLD,etal.Compressedsensingwithcoherentandredundantdictionaries[J].AppliedandComputationalHarmonicAnalysis, 2011, 31(1): 59-73.
[15]RAUHUTH,SCHNASSANDK,VANDERGHEYNSTP.Compressedsensingandredundantdictionaries[J].IEEETransactionsonInformationTheory, 2008, 54: 2210-2219.
[16]TROPPJA.Greedisgood:Algorithmicresultsforsparseapproximation[J].IEEETransactionsonInformationTheory, 2004, 50: 2231-2242.
[17]BAJWAWU,CALDERBANKR,JAFARPOURS.WhyGaborframes?Twofundamentalmeasuresofcoherenceandtheirgeometricsignificance[J].CoRR, 2009, 01.http:∥arxiv.org/abs/0911.2746.
[18]ELADM,STARCKJL,QUERREP,etal.Simultaneouscartoonandtextureimageinpaintingusingmorphologicalcomponentanalysis(MCA) [J].AppliedComputationalHarmonicAnalysis, 2005, 19: 340-358.
[19]ELADM,MILANFARP,RUBINSTEINR.Analysisversussynthesisinsignalpriors[J].InverseProblem, 2007, 23: 947-968.
[20]LIUY,MIT，LIS.Compressedsensingwithgeneralframesviaoptimal-dual-basedl1-analysis[J].IEEETransactionsonInformationTheory, 2012, 58(7): 4201-4214.
[21] 曲文長，何友，劉衛(wèi)華，等. 框架理論及應(yīng)用[M]. 北京：國防工業(yè)出版社, 2009.
[22]CANDSEJ,TAOT.Decodingbylinearprogramming[J].IEEETransactionsonInformationTheory, 2005, 51: 4203-4215.
Stable Signal Recovery with Dual Frames vialp-Minimization for0WUFengong,ZHANGRanran,QINYaohai,ZHONGPenghong
(Department of Mathematics, Guangdong University of Education, Guangzhou 510303, China)
The theory of compressed sensing points out that, sparse (or compressible) signals can be reconstructed with high probability by lower sampling frequency. In more and more practical applications, many signals are sparse or approximately sparse in terms of some frames rather than orthonormal bases. In such settings, one approach to recover the signals is known asl1-analysis.Somerecentstudyusingalternativedualframesasanalysisoperators,andprovideaweakerconditionthanexistingresultsintheliterature.Inspiredbythis,therecoveryofsuchkindofsignalswithgeneraldualframevialp-minimization(0compressed sensing; signal recovery; frame; dual frame;l1-analysis
10.13471/j.cnki.acta.snus.2015.06.009
2015-04-21 基金項目：廣東省高等學校優(yōu)秀青年教師培養(yǎng)計劃資助項目(Yq20145084602)；國家自然科學基金數(shù)學天元基金資助項目(11426068)
吳焚供(1980年生)，男；研究方向：最優(yōu)化算法理論；E-mail:wufngong@gdei.edu.cn
TN
A
0529-6579(2015)06-0046-04
猜你喜歡
框架小資CHIC！ELEGANCE(2022年1期)2022-01-11 00:49:59 關(guān)于Landau常數(shù)和Euler-Mascheroni常數(shù)的漸近展開式以及Stirling級數(shù)的系數(shù)數(shù)學年刊A輯(中文版)(2021年1期)2021-06-09 09:32:06 廣義框架的不相交性數(shù)學物理學報(2020年3期)2020-07-27 01:19:46 WTO框架下法大研究生(2017年1期)2017-04-10 08:55:06 幾個常數(shù)項級數(shù)的和山西大同大學學報(自然科學版)(2016年4期)2016-11-27 02:20:55 萬有引力常數(shù)的測量新高考·高一物理(2016年3期)2016-05-18 16:16:56 一種基于OpenStack的云應(yīng)用開發(fā)框架華東理工大學學報(自然科學版)(2015年2期)2015-11-07 09:16:21 對偶平行體與對偶Steiner點應(yīng)用數(shù)學與計算數(shù)學學報(2015年1期)2015-07-20 11:39:06 對偶均值積分的Marcus-Lopes不等式數(shù)學年刊A輯(中文版)(2014年4期)2014-10-30 01:50:38 對偶Brunn-Minkowski不等式的逆數(shù)學年刊A輯(中文版)(2014年6期)2014-10-30 01:41:24
2015-06-09 20:27:34吳焚供張然然覃耀海鐘彭洪
中山大學學報(自然科學版)(中英文) 2015年6期
吳焚供，張然然，覃耀海，鐘彭洪
(廣東第二師范學院數(shù)學系，廣東 廣州 510303)
?
一般對偶框架下基于lp(0 吳焚供，張然然，覃耀海，鐘彭洪 (廣東第二師范學院數(shù)學系，廣東 廣州 510303) 壓縮感知理論指出，只要信號是可壓縮的或稀疏的，就能以較低的頻率采樣信號，并能高概率的重構(gòu)該信號。在實際的應(yīng)用中, 許多信號只能在某些框架下具有稀疏表示，而無法在正交基下獲得稀疏表示。針對這一類信號的恢復(fù)，一般采取的是l1-analysis方法。近期有些相關(guān)研究考慮了一般對偶框架下基于l1-analysis方法的信號恢復(fù)問題，在比前期l1-analysis方法更弱的條件下得到了更好的恢復(fù)結(jié)果。受此啟發(fā)，我們考慮了一般對偶框架下，基于lp(0 壓縮感知；信號恢復(fù)；框架；對偶框架；l1-analysis 壓縮感知所考慮的問題是如何將一個高維稀疏信號從數(shù)目不大的一組測量數(shù)據(jù) y=Af+z 中恢復(fù)出來，其中A是m×n的測量矩陣，且m< 一般情況下，考慮的信號f是在一組正交基下具有稀疏的 (或近乎稀疏的)表示，或者更一般的 情況，f本身便是稀疏的 (或近乎稀疏的)。如果測量矩陣A滿足限制等距性質(zhì)(RestrictedIsometryproperty)的條件(參考文[6-11])，則稀疏信號f可以通過求解如下的lp-最小化問題 得到精確的 (或者誤差很小的) 恢復(fù)，這里p∈(0,1]。向量u∈Rn的lp-范數(shù)定義為 然而在信號處理的實際應(yīng)用中，越來越多的情況所涉及的信號f是在一個框架 (或過完備字典) 下是稀疏的，而不是在一個標準正交基下稀疏的。我們說矩陣D∈Rn×d(n 本文中我們要研究的信號f就是在某個框架D下是稀疏的。即f=Dx,x∈Rd為稀疏向量。此時對f的相應(yīng)測量數(shù)據(jù)變成 y=ADx+z 由于x是稀疏的，一種直接恢復(fù)f的方法很自然的被考慮到，即l1-synthesis(參考文[12-14])。該方法首先通過求解如下的l1-最小化問題 另外一種可以代替l1-synthesis的方法是l1-analysis(參考文[14,18-19])。這個方法是通過求解如下l1最小化問題： (1) (2) (3) (4) 受文[20]的啟發(fā)，考慮了一般對偶框架下，基于lp(0 (5) 采用新的方法，并得到了相應(yīng)的理論結(jié)果。 另記T01=T0∪T1，D*h(t)表示D*h的第t個元素。 下面對本文中常用到的概念給出具體的定義。 定義2[22]設(shè)測量矩陣A∈Rm×n，稱A滿足常數(shù)為γs∈(0,1)的s階RIP性質(zhì)，如果對所有的s階稀疏的信號v，總成立 定義3[14]設(shè)D∈Rn×d為一框架，Σs為Rd中所有s階稀疏的向量之集，測量矩陣A滿足常數(shù)為δs的D-RIP性質(zhì)，是指 對所有的u∈Σs都成立。 在給出主要結(jié)果前，我們先給出如下兩個有用的引理。 抓好做實企業(yè)基層思想政治工作是一門大學問，如何靈活應(yīng)用適當?shù)姆椒?，對確保思想政治工作的實效性至關(guān)重要。毛澤東曾以“過河”是用“橋”或“船”的問題作過生動比喻，深刻地說明了工作方式方法的重要性。 兩邊開p次方后再平方，得 對t∈Tj求和，得 兩邊開平方再乘p次方，得 對全體的j∈{1,2,…,l-1}求和，有 則問題 (5) 的解與原始信號滿足 其中C1,C2為常數(shù)。 (7) 因為 由引理1可得 結(jié)合引理2，有 (8) (9) 結(jié)合(7)-(9)式，可得 其中 證完。 [1]CANDSEJ,TAOT.Nearoptimalsignalrecoveryfromrandomprojections:Universalencodingstrategies? [J].IEEETransactionsonInformationTheory, 2006, 52: 5406-5425. [2]CANDSEJ,ROMBERGJ,TAOT.Robustuncertaintyprinciples:exactsignalreconstructionfromhighlyincompletefrequencyinformation[J].IEEETransactiononInformationTheory, 2006, 52: 489-509. [3]CANDSEJ.Compressivesampling[J].InternationalCongressMathematicians, 2006, 3: 1433-1452. [4]DONOHODL.Compressedsensing[J].IEEETransactionsonInformationTheory, 2006, 52: 1289-1306. [5]DONOHODL,ELADM,TEMLYAKOVVN.Stablerecoveryofsparseovercompleterepresentationsinthepresenceofnoise[J].IEEETransactionsonInformationTheory, 2006, 52: 6-18. [6]CHARTRANDR,STANEVAV.Restrictedisometrypropertiesandnonconvexcompressivesensing[J].InverseProblem, 2008, 24: 035020. [7]FOUCARTS,LAIMJ.Sparsestsolutionsofunderdeterminedlinearsystemsvialq-minimization for 0 [8]SAABR,CHARTRANDR,YILMAZO.Stablesparseapproximationsvianonconvexoptimization[C]∥IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing, 2008: 3885-3888. [9]SHENY,LIS.Restrictedp-isometrypropertyanditsapplicationfornonconvexcompressivesensing[J].AdvancesinComputationalMathematics, 2012, 37(3): 441-452. [10]DAVIESME,GRIBONVALR.Restrictedisometryconstantswherelpsparserecoverycanfailfor0 [11]CANDSEJ.Therestrictedisometrypropertyanditsimplicationsforcompressedsensing[J].ComptesRendusMathematique, 2008, 346(9/10): 589-592. [12]CHENSS,DONOHODL,SAUNDERSMA.Atomicdecompositionbybasispursuit[J].SIAMReview, 2001, 43: 129-159. [13]ELADM,MILANFARP,RUBINSTEINR.Analysisversussynthesisinsignalpriors[J].InverseProblem, 2007, 23: 947-968. [14]CANDSEJ,ELDARYC,NEEDELLD,etal.Compressedsensingwithcoherentandredundantdictionaries[J].AppliedandComputationalHarmonicAnalysis, 2011, 31(1): 59-73. [15]RAUHUTH,SCHNASSANDK,VANDERGHEYNSTP.Compressedsensingandredundantdictionaries[J].IEEETransactionsonInformationTheory, 2008, 54: 2210-2219. [16]TROPPJA.Greedisgood:Algorithmicresultsforsparseapproximation[J].IEEETransactionsonInformationTheory, 2004, 50: 2231-2242. [17]BAJWAWU,CALDERBANKR,JAFARPOURS.WhyGaborframes?Twofundamentalmeasuresofcoherenceandtheirgeometricsignificance[J].CoRR, 2009, 01.http:∥arxiv.org/abs/0911.2746. [18]ELADM,STARCKJL,QUERREP,etal.Simultaneouscartoonandtextureimageinpaintingusingmorphologicalcomponentanalysis(MCA) [J].AppliedComputationalHarmonicAnalysis, 2005, 19: 340-358. [19]ELADM,MILANFARP,RUBINSTEINR.Analysisversussynthesisinsignalpriors[J].InverseProblem, 2007, 23: 947-968. [20]LIUY,MIT，LIS.Compressedsensingwithgeneralframesviaoptimal-dual-basedl1-analysis[J].IEEETransactionsonInformationTheory, 2012, 58(7): 4201-4214. [21] 曲文長，何友，劉衛(wèi)華，等. 框架理論及應(yīng)用[M]. 北京：國防工業(yè)出版社, 2009. [22]CANDSEJ,TAOT.Decodingbylinearprogramming[J].IEEETransactionsonInformationTheory, 2005, 51: 4203-4215. Stable Signal Recovery with Dual Frames vialp-Minimization for0 WUFengong,ZHANGRanran,QINYaohai,ZHONGPenghong (Department of Mathematics, Guangdong University of Education, Guangzhou 510303, China) The theory of compressed sensing points out that, sparse (or compressible) signals can be reconstructed with high probability by lower sampling frequency. In more and more practical applications, many signals are sparse or approximately sparse in terms of some frames rather than orthonormal bases. In such settings, one approach to recover the signals is known asl1-analysis.Somerecentstudyusingalternativedualframesasanalysisoperators,andprovideaweakerconditionthanexistingresultsintheliterature.Inspiredbythis,therecoveryofsuchkindofsignalswithgeneraldualframevialp-minimization(0 compressed sensing; signal recovery; frame; dual frame;l1-analysis 10.13471/j.cnki.acta.snus.2015.06.009 2015-04-21 基金項目：廣東省高等學校優(yōu)秀青年教師培養(yǎng)計劃資助項目(Yq20145084602)；國家自然科學基金數(shù)學天元基金資助項目(11426068) 吳焚供(1980年生)，男；研究方向：最優(yōu)化算法理論；E-mail:wufngong@gdei.edu.cn TN A 0529-6579(2015)06-0046-041 記號與定義
2 引理和主要結(jié)果
猜你喜歡
小資CHIC！ELEGANCE(2022年1期)2022-01-11 00:49:59數(shù)學年刊A輯(中文版)(2021年1期)2021-06-09 09:32:06數(shù)學物理學報(2020年3期)2020-07-27 01:19:46法大研究生(2017年1期)2017-04-10 08:55:06山西大同大學學報(自然科學版)(2016年4期)2016-11-27 02:20:55新高考·高一物理(2016年3期)2016-05-18 16:16:56華東理工大學學報(自然科學版)(2015年2期)2015-11-07 09:16:21應(yīng)用數(shù)學與計算數(shù)學學報(2015年1期)2015-07-20 11:39:06數(shù)學年刊A輯(中文版)(2014年4期)2014-10-30 01:50:38數(shù)學年刊A輯(中文版)(2014年6期)2014-10-30 01:41:24
