优化-软阈值学习

原创于 2023-03-26 16:21:36 发布 · 692 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #matlab

笔记专栏收录该内容

17 篇文章

订阅专栏

文章介绍了软阈值在解决包含L1范数正则化的优化问题中的应用，特别是在稀疏选择和降噪方面的作用。给出了软阈值函数的Matlab实现代码，并展示了如何调用该函数。此外，还提供了软阈值函数图像的绘制过程。文章引用了相关研究，深入探讨了这一技术的实际应用。

论文中一些软阈值的处理：
软阈值一般是用来解决这种优化问题的情形的，式子中含有L1范数正则化，可以进行稀疏选择和降噪：
在这里插入图片描述
上面软阈值的解为：

即soft(B, λ/2)
当上面的形式变为：

解为soft(B, λ)
其中B为变量，λ为阈值，可见第一项的系数为1的时候，阈值应该取第二项系数的1/2.
可以在Matlab中编写代码来实现：
软阈值函数代码：【通用形式】

function [ x ] = soft( b,T ) 
     x = sign (b).* max ( abs (b) - T,0); 
end

编写主函数调用soft(B, λ/2)

clear all ; close all ; clc ;  
b = [-0.8487   -0.3349    0.5528    1.0391   -1.1176]'; 
lambda = 1; 
x1=soft(b,lambda)

在matlab中绘制软阈值的图像：

x=-5:0.1:5;T=1;y=soft(x,T); plot (x,y); grid ;

在这里插入图片描述

实际应用-论文中出现的一些软阈值的优化处理

在这里插入图片描述

参考文章：
1.https://blog.csdn.net/h_l_dou/article/details/83718034这篇文章说的非常详细！】
2.Cai J, Cand˙es EJ, Shen Z (2010) A singular value thresholding algorithm for matrix completion. SIAM J Optim 20(4):1956–1982
3.[Donoho, 1995] David L Donoho. De-noising by softthresholding. TIT, 41(3):613–627, 1995