记得在前阵一个QQ技术交流群一位朋友提过这个方法。最近看到一个相关资料,了解点皮毛。
针对以下形式的L1范数优化问题:
如果稀疏字典不可逆,这在压缩感知中常见的(样本个数小于信号维度)。在传统的稀疏表示中,如果稀疏表示字典很多也是不可逆的(过完备字典),即:
首先代换求解变量:
然后引入Bregman项,得到splitting Bregman (
简称SB。
)形式:
![解L1范数优化的快速算法:分拆方法 解L1范数优化的快速算法:分拆方法](https://i-blog.csdnimg.cn/blog_migrate/9172587e03b6fb31020b30d30bd4322e.gif)
解SB优化模型的一种方法(迭代,更新b):
SB优化模型是等价于增强的拉格朗日形式的min-max问题:
此外,此方法字典可逆时,对一些特殊结构的L1范数优化,存在快速解法。