高级搜索

线性逆问题中惩罚优化方法信号重建误差界研究

张欢 雷宏

引用本文: 张欢, 雷宏. 线性逆问题中惩罚优化方法信号重建误差界研究[J]. 电子与信息学报, doi: 10.11999/JEIT181125 shu
Citation:  Huan ZHANG, Hong LEI. An Error Bound of Signal Recovery for Penalized Programs in Linear Inverse Problems[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT181125 shu

线性逆问题中惩罚优化方法信号重建误差界研究

    作者简介: 张欢: 男,1991年生,博士生,研究方向为低维结构信号恢复理论及应用;
    雷宏: 男,1963年生,研究员,博士生导师,研究方向为电磁场与微波技术、信号处理理论与技术方面的研究;
    通讯作者: 张欢, zhanghuan13@mails.ucas.ac.cn
摘要: 惩罚优化问题常常用于在有噪声的条件下用较少的观测个数来求解线性逆问题。目前,对惩罚优化问题恢复误差的研究主要存在以下两点不足:一是对权重参数往往有要求;二是噪声的方向对误差的影响未知。针对这两个问题,该文研究了当存在有界噪声时,惩罚优化问题恢复的误差界。首先,该文从问题的几何出发,给定了一个几何条件。当这一条件满足时,就能够推导出惩罚优化问题恢复的一个明确的误差界。这个误差界保证了恢复的解是稳定的,也就是说,恢复误差不会超过观测误差的常数倍。同时,这一误差界对于任意的正权重参数都成立,并且揭示了恢复误差以及最优的权重选择与观测噪声的方向之间的联系。进一步地,当观测矩阵是一个高斯矩阵时,依据这一几何条件可以得到高概率稳定恢复所需的观测次数。仿真实验证明了理论结果的正确性。

English

    1. [1]

      ELDAR Y and KUTYNIOK G. Compressed Sensing: Theory and Applications [M]. Cambridge: Cambridge University Press, 2012: 210-268.

    2. [2]

      游康勇, 杨立山, 刘玥良, 等. 基于稀疏贝叶斯学习的网格自适应多源定位[J]. 电子与信息学报, 2018, 40(9): 2150–2157. doi: 10.11999/JEIT171238
      Kangyong YOU, Lishan YANG, Yueliang LIU, Wenbin GUO, Wenbo WANG. Adaptive Grid Multiple Sources Localization Based on Sparse Bayesian Learning[J]. Journal of Electronics and Information Technology, 2018, 40(9): 2150–2157. doi: 10.11999/JEIT171238

    3. [3]

      王逸林, 马世龙, 王晋晋, 等. 基于稀疏重构的色噪声背景下未知线谱信号估计[J]. 电子与信息学报, 2018, 40(11): 2570–2577. doi: 10.11999/JEIT171040
      Yilin WANG, Shilong MA, Jinjin WANG, Guolong LIANG, Qing LI. Estimation of Unknown Line Spectrum under Colored Noise via Sparse Reconstruction[J]. Journal of Electronics and Information Technology, 2018, 40(11): 2570–2577. doi: 10.11999/JEIT171040

    4. [4]

      STARCK J L, MURTAGH F, and FADILI J. Sparse Image and Signal Processing: Wavelets and Related Geometric Multiscale Analysis. Cambridge: Cambridge University Press, 2016.

    5. [5]

      BISHOP C M. Pattern Recognition and Machine Learning[M]. New York: Springer, 2006.

    6. [6]

      CANDES E J, ROMBERG J K, and TAO T. Stable signal recovery from incomplete and inaccurate measurements[J]. Communications on Pure and Applied Mathematics, 2006, 59(8): 1207–1223. doi: 10.1002/cpa.2012

    7. [7]

      CANDES E J and PLAN Y. Matrix completion with noise[J]. Proceedings of the IEEE, 2010, 98(6): 925–936. doi: 10.1109/JPROC.2009.2035722

    8. [8]

      DONOHO D L, MALIKI A, and MONTANATI A. The noise-sensitivity phase transition in compressed sensing[J]. IEEE Transactions on Information Theory, 2011, 57(10): 6920–6941. doi: 10.1109/TIT.2011.2165823

    9. [9]

      BAYATI M, LELARGE M, and MONTANARI A. Universality in polytope phase transitions and message passing algorithms[J]. Annals of Applied Probability, 2015, 25(2): 753–822. doi: 10.1214/14-AAP1010

    10. [10]

      CHANDRASEKARAN V, RECHT B, PARRILO P A, et al. The convex geometry of linear inverse problems[J]. Foundations of Computational Mathematics, 2012, 12(6): 805–849. doi: 10.1007/s10208-012-9135-7

    11. [11]

      AMELUNXEN D, LOTZ M, MCCOY M B, et al. Living on the edge: phase transitions in convex programs with random data[J]. Information and Inference: A Journal of the IMA, 2014, 3(3): 224–294. doi: 10.1093/imaiai/iau005

    12. [12]

      OYMAK S and TROPP J A. Universality laws for randomized dimension reduction, with applications[J]. Information and interference, 2017, 7(3): 337–446. doi: 10.1093/imaiai/iax011

    13. [13]

      NAGAHBAN S N, RAVIKUMAR P, WAINWRIGHT M J, et al. A unified framework for high-dimensional analysis of m-estimators with decomposable regularizers[J]. Statistical Science, 2012, 27(4): 538–557. doi: 10.1214/12-STS400

    14. [14]

      THRAMPOULIDIS C, ABBASI E, and HASSIBI B. Precise high-dimensional error analysis of regularized m-estimators[C]. 53rd Annual Allerton Conference on Communication, Control, and Computing (Allerton), 2015: 410–417. doi: 10.1109/MASS.1995.528223.

    15. [15]

      ZHANG H, LIU Y, and LEI H. On the phase transition of corrupted sensing[C]. 2017 IEEE International Symposium on Information Theory, Aachen, 2017: 521–525. doi: 10.1109/ISIT.2017.8006582.

    16. [16]

      CHEN J and LIU Y. Corrupted sensing with sub-Gaussian measurements [C]. 2017 IEEE International Symposium on Information Theory, Aachen, 2017: 516–520. doi: 10.1109/ISIT.2017.8006581.

    17. [17]

      FOYGEL R and MACKEY L. Corrupted sensing: Novel guarantees for separating structured signals[J]. Transactions on Information Theory, 2014, 60(2): 1223–1247. doi: 10.1109/TIT.2013.2293654

    18. [18]

      ROCKAFELLAR R T. Convex Analysis[M]. Princeton: Princeton University Press, 1970.

    19. [19]

      GRANT M and BOYD S. CVX: Matlab software for disciplined convex programming, version 2.1[OL]. http://cvxr.com/cvx, 2014.

    1. [1]

      胡长雨汪玲朱栋强. 结合字典学习技术的ISAR稀疏成像方法. 电子与信息学报, doi: 10.11999/JEIT180747

    2. [2]

      刘小龙. 改进多元宇宙算法求解大规模实值优化问题. 电子与信息学报, doi: 10.11999/JEIT180751

    3. [3]

      蒋莹王冰切韩俊何翼. 基于分布式压缩感知的宽带欠定信号DOA估计. 电子与信息学报, doi: 10.11999/JEIT180723

    4. [4]

      田子建贺方圆. 一种基于分布式压缩感知的矿井目标指纹数据库建立方法. 电子与信息学报, doi: 10.11999/JEIT180857

    5. [5]

      苏玉泽孟相如康巧燕韩晓阳. 核心链路感知的可生存虚拟网络链路保护方法. 电子与信息学报, doi: 10.11999/JEIT180737

    6. [6]

      田春生钱志鸿王鑫王雪. D2D网络中信道选择与功率控制策略研究. 电子与信息学报, doi: 10.11999/JEIT190149

    7. [7]

      王晓晗王韬李雄伟张阳黄长阳. 一种基于压缩边界Fisher分析的硬件木马检测方法. 电子与信息学报, doi: 10.11999/JEIT190004

    8. [8]

      张建中穆贺强文树梁李彦兵高红卫. 基于LFM分段脉冲压缩的抗间歇采样转发干扰方法. 电子与信息学报, doi: 10.11999/JEIT180851

    9. [9]

      陈鸿昶明拓思宇刘树新高超. 基于整数线性规划重构抽象语义图结构的语义摘要算法. 电子与信息学报, doi: 10.11999/JEIT180720

    10. [10]

      杜小妮李丽张福军. 基于模2pm的欧拉商的二元序列的线性复杂度. 电子与信息学报, doi: 10.11999/JEIT190071

    11. [11]

      谷允捷胡宇翔谢记超. 基于重叠网络结构的服务功能链时空优化编排策略. 电子与信息学报, doi: 10.11999/JEIT190145

    12. [12]

      钱亚冠卢红波纪守领周武杰吴淑慧云本胜陶祥兴雷景生. 基于粒子群优化的对抗样本生成算法. 电子与信息学报, doi: 10.11999/JEIT180777

    13. [13]

      王艳薛改娜李顺波惠飞飞. 一类新的周期为2pmq阶二元广义分圆序列的线性复杂度. 电子与信息学报, doi: 10.11999/JEIT180884

    14. [14]

      谢显中黎佳黄倩陈杰. 机器类通信中基于NOMA短编码块传输的高可靠低迟延无线资源分配优化方案. 电子与信息学报, doi: 10.11999/JEIT190128

    15. [15]

      柴蓉王令陈明龙陈前斌. 基于时延优化的蜂窝D2D通信联合用户关联及内容部署算法. 电子与信息学报, doi: 10.11999/JEIT180408

  • 图 1  数值仿真结果。

    表 1  本文符号说明

    符号说明
    ${{y}}$观测信号
    ${{A}}$观测矩阵
    ${{{x}}^ * }$真实信号
    ${{z}}$观测噪声
    $\varepsilon $观测噪声${{z}}$的幅度
    $m$观测个数(观测信号${{y}}$的维度)
    $n$真实信号${{{x}}^ * }$的维度
    $f$真实信号${{{x}}^ * }$的结构函数
    $\lambda $惩罚优化问题中的权重调节参数
    $\partial f({{{x}}^ * })$函数$f$在点${{{x}}^ * }$的次梯度
    $D(f,{{{x}}^ * })$函数$f$在点${{{x}}^ * }$的下降锥
    $N(f,{{{x}}^ * })$函数$f$在点${{{x}}^ * }$的法锥
    $w(D(f,{{{x}}^ * }) \cap {{{S}}^{n - 1}})$下降锥$D(f,{{{x}}^ * })$的球面高斯宽度
    下载: 导出CSV
  • 加载中
图(1)表(1)
计量
  • PDF下载量:  2
  • 文章访问数:  118
  • HTML全文浏览量:  82
  • 引证文献数: 0
文章相关
  • 通讯作者:  张欢, zhanghuan13@mails.ucas.ac.cn
  • 收稿日期:  2018-12-06
  • 录用日期:  2019-04-01
  • 网络出版日期:  2019-05-28
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章