关于K-SVD算法中逐列更新的目标函数的理解，再看不懂就打死我吧

最新推荐文章于 2023-03-21 21:30:24 发布

MAUM

最新推荐文章于 2023-03-21 21:30:24 发布

阅读量557

点赞数

分类专栏：压缩感知文章标签： K-SVD 逐列更新目标函数

本文链接：https://blog.csdn.net/maum61/article/details/84703672

版权

压缩感知专栏收录该内容

3 篇文章 2 订阅

订阅专栏

K-svd采用逐列更新的方法更新字典，就是当更新第k列原子的时候，其它的原子固定不变。假设我们当前要更新第k个原子αk，令编码矩阵X对应的第k行为xk，则目标函数为：

一直没看明白这个表达式，刚才通过matlab验证，终于弄懂了。目标函数描述的是使通过字典D和X描述出的 $\hat{Y}$ 与原始信号矩阵Y的残差。DX相乘没问题，那DX与是怎么等价呢？这里的xj是行向量，是系数矩阵的第j行；aj是列向量，是字典矩阵的第j列，那么一个行向量乘以一个列向量，乘出来一个子矩阵，这个矩阵和Y的行、列数是相同的，穷尽K次，得到K个子矩阵，这K个子矩阵相加，就是 $\hat{Y}$ 。这里的 $\hat{Y}$ 是Y的估计，并不一定等于Y。

下面的matlab代码是该计算的验证，Y是原始矩阵，Y1是K个子矩阵加起来的和，这里两者是相等的，因为Y就是通过D*X计算出来的。

clc;clear all; close all;
D=[1 2 3 4 5; 8 9 3 2 5; 2 3 1 5 2]
X=[2 1; 5 6; 0 1; 4 2; 9 0]
Y=D*X
Y1=zeros(size(Y));
cols=size(D,2);
for i=1:cols
Y1=Y1+D(:,i)*X(i,:);
end
Y1

运行结果如下：

D =

1 2 3 4 5
8 9 3 2 5
2 3 1 5 2

X =

2 1
5 6
0 1
4 2
9 0

Y =

73 24
114 69
57 31

Y1 =

73 24
114 69
57 31

关于SVD分解再补充一些个人理解：

SVD分解后的U、S、V矩阵，S是奇异值对角阵，奇异值 $\delta _{i}$ 从大到小排列，意味着U(:,i)和V(:,i)的重要性随着i的增加而减小。前面我们知道， $A=U*S*V^{T}=\sum_{i=1}^{r}S(i,i)*U(:,i)*V(:,i)^{T}$ ,也就是，U的每个列向量和V对应列向量的转置相乘，乘出来r个与A同型的子矩阵，然后每个子矩阵乘以对应的奇异值S(i,i)，最后将i个结果加起来，得到A。如果最后一个奇异值或最后几个的值很小，则省掉之后，可以得到A的估计值，这样就可以减小存储空间，或者可以实现降维。