数据补全——BP问题求解

最新推荐文章于 2024-07-31 19:22:47 发布

xjtuwfj

最新推荐文章于 2024-07-31 19:22:47 发布

阅读量1k

点赞数

分类专栏：稀疏文章标签： matlab 算法线性代数矩阵

本文链接：https://blog.csdn.net/baidu_38963740/article/details/111767938

版权

稀疏专栏收录该内容

4 篇文章 0 订阅

订阅专栏

数据补全——BP问题求解

问题描述
- 缺失数据补全
模型求解
结果展示

相关内容：
稀疏入门
BPD问题求解

问题描述

缺失数据补全

原始数据有M个点，记为为 $x$ ，现观测到K个点（K<M)，记为 $y$ ，则 $y$ 可以表示为采样矩阵 $S$ 与原始数据相乘，即 $y = S x$ 其中 $S$ 为K*M的矩阵。

假设 $x$ 对于 $F$ 有稀疏表示，即 $x = F c$ 则观测信号可表示为 $y = S x = S F c$ 令 $A = S F$ ，则 $y = A c$ ，缺失数据补全的问题可转化为BP问题求解，求解出 $c$ 后，原始数据可由 $x = F c$ 算出。

模型求解

对于优化问题
$\mathop{\arg\min}_{x } \ ||\lambda x||_{1} \qquad(1a)\\ s.t. \quad y=Ax \qquad(1b)$
通过变量分裂，得到等价的优化问题
$\mathop{\arg\min}_{x,u} \ ||\lambda u||_{1} \qquad(2a)\\ s.t. \quad y=Ax , u-x=0\qquad(2b)$
写成局部增广拉格朗日函数
$L(x,u,\lambda,\mu)=||\lambda \mu||_{1}+\lambda^{T}(u-x)+0.5\mu ||u-x||_{2}^{2}+\lambda_{2}(Ax-y)$
其求解算法如下：
$\left. \begin{array}{l} \text{initialize:}\mu>0,d \\ \text{repeat:} \\ x,u\leftarrow \begin{cases} {\arg\min}_{x,u} \ ||\lambda u||_{1} +0.5\mu ||u-x-d||_{2}^{2} \\ s.t. \qquad Ax=y \ \end{cases} \\ d\leftarrow d-(u-x) \\ end \end{array} \right.$

对 $x$ 和 $u$ 交替最小化，得
$\left. \begin{array}{l} \text{initialize:} \mu>0,d \\ \text{repeat:} \\ u \leftarrow {\arg\min}_{x,u}||\lambda u||_{1} +0.5\mu ||u-x-d||_{2}^{2} \\ x \leftarrow ||u-x-d||_{2}^{2} \qquad s.t. \quad Ax=y \\ d \leftarrow d-(u-x) \\ \text{end} \end{array} \right.$

对 $u$ 的最小化为 $s o f t$ 函数，对 $x$ 的最小化是一个约束最小二乘问题，可得到算法如下：
$\left\{ \begin{array}{l} \text{initialize:} \mu>0,d \\ \text{repeat:} \\ u \leftarrow soft(x+d,\lambda / \mu) \\ x \leftarrow (u-d)+A^{H}(AA^{H})^{-1}(y-A(u-d)) \\ d \leftarrow d-(u-x) \\ \text{end} \end{array} \right.$

结果展示

生成200个点的模拟信号

M = 200;
N = 2^nextpow2(M);
m = 0:M-1;
f1 = 0.15;
f2 = 0.27;
f3 = 0.45;
y = 2*cos(2*pi*f1*m)+sin(2*pi*f2*m)+0.3*sin(2*pi*f3*m);%完整信号，M*1
y = y.';

随机缺失50%

%%观测信号
s = rand(M,1) > 0.5; %逻辑向量
S = diag(s); 
S = S(s,:); %观测矩阵
y1 = S*y; %带入算法的观测向量，K个点
y1_plot = y; %画图用的观测向量
y1_plot(~s,:) = nan;

补全结果如图所示：
在这里插入图片描述

参考文献：
[1].M. V. Afonso, J. M. Bioucas-Dias, and M. A. T. Figueiredo. Fast image recovery using variable splitting and constrained
optimization. IEEE Trans. Image Process., 19(9):2345–2356, September 2010.

[2].J. Eckstein and D. Bertsekas. On the Douglas-Rachford splitting method and the proximal point algorithm for maximal
monotone operators. Math. Program., 5:293–318, 1992.

[3].L1-norm penalized least squares with SALSA. Ivan selesnick.