l1范数最小化快速算法

1：解决的问题模型如下：

或者约束条件可以适当的松弛，即为如下模型：

当然约束条件取$l_2$范数，$b$数据获取的比较准确，结果逼近的效果更好，防止过拟合。如果取$l_1$ 范数，则是获取的$b$数据，受到污染比较严重。并且$b$ 本身就是稀疏的。这也是人的经验对于模型的成功也是很重要的。
2：几类优化算法
(1)梯度投影算法Gradient Projection Methods
原问题可以变为如下问题：

下面介绍两种方法对其进行处理。
i)上式又等价于：

所以就有如下记号和约定：

更新$z_k$ 时沿着负梯度的方向下降最快。但是只是局部最小值。

其中$a^{k}$ 是步长，可以用线搜索的方法来确定最优步长。
下介绍第二种方法 truncated Newton interior-point method.
ii)上式又等价于：

利用内点法的把约束条件给罚到目标函数上去。
在这里我们对约束条件利用logarithmic barrier函数进行改写。

在这里，我们可以看到当$x_i$ 越接近$u_i或者-u_i$的时候，函数值会变得越大。当$x_i$ 无限趋近于$u_i或者-u_i$时，则函数值无限趋于无穷大。所以只有当$x_i$ 趋近于0时候，函数值才趋近于一个常数。
所以上式可以等价于如下模型：

然后利用牛顿算法进行求解计算。

(2)迭代阈值收缩算法 Iterative Shrinkage-Thresholding Methods
对于一般的模型：

其中：

对$f(x)$ 二次近似。则问题转变成如下：

可以适用迭代阈值算法。关于l_{1}范数最优化的迭代阈值算法的证明可以参见我的另一篇博客

(3)近端梯度算法 Proximal gradient method
其处理的模型如下：

其中$f(x)$是连续可微的，微分函数满足利普希茨条件成立：

其中$L$相当于代替$f(x)$的二阶偏导。
那么可以进行如下算法来解决问题：

说明：
第一步的更新：按照$f(x)$沿着负梯度的方向下降最快
第二步的更新：有数值解，进行软阈值操作。
(4)交替方向法 Alternating Direction Methods
其实利用的是拉格朗日算法，来进行更新出来。解决的模型如下：

其拉格朗日函数如下：

问题变为分别最小化$x,e,y$。
说明：
更新$e$时，固定$x,y$，直接求导，$e$有数值解。
更新$x$ 时，固定$e,y$经过化简，可以运用软阈值进行操作计算。
更新$y$时，固定$x,e$，直接求导， y <script type="math/tex" id="MathJax-Element-6087">y</script>有数值解。

Fast ℓ 1-minimization algorithms and an application in robust face recognition