《凸优化》二读之杂言8

_Felix_Zhang

已于 2022-03-14 17:19:15 修改

阅读量379

点赞数

分类专栏：凸优化文章标签：学习读书笔记

于 2022-03-14 10:35:46 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_32591057/article/details/123462472

版权

凸优化专栏收录该内容

34 篇文章 36 订阅

订阅专栏

正则逼近（拟合）问题：

$\text{minimize}~\|Ax-b\|+\gamma \|x\|,\gamma>0$

或

$\text{minimize}~\|Ax-b\|^2+\lambda \|x\|^2,\lambda>0$

正则化逼近问题最小化范数 $\|Ax-b\|$ 和范数 $\|x\|$ 的加权和，其中 $\|Ax-b\|$ 测量残差的大小， $\|x\|$ 测量 $x$ 的大小。正则化存在多种解释：考虑先验知识 $\|x\|$ 不会太大（最大后验估计）、考虑 $A$ 的误差（鲁棒估计）。

推广的正则逼近（拟合）问题：

$\text{minimize}~\|Ax-b\|+\gamma \|Dx\|,\gamma>0$

如果 $D$ 代表差分或二阶差分算子， $\|Dx\|$ 测量了 $x$ 的光滑度。

两种常见的正则形式是 $l_2$ 范数正则（也称为Tikhonov正则）和 $l_1$ 范数正则（寻找稀疏解）。

一个特殊的正则逼近（拟合）问题是信号重建/降噪。信号重建/降噪的目的是从时间采样的含噪观测信号 $y=x+v$ 中估计原始信号 $x$ 。我们假设原始信号是缓慢变化的 $x_{i+1}\approx x_i$ ，而噪声信号是快速时变的，

$\text{minimize}~\|y-x\|_2^2+\gamma \phi(x)$

其中 $\phi(x)$ 测量了 $x$ 的光滑度， $\phi(x)$ 越小，平滑度越高。两种常见的 $\phi(x)$ 形式是 $\|Dx\|_2^2$ （二阶平滑）和 $\|Dx\|_1$ （Total variation, TV）， $D$ 表示一阶差分算子。

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
《凸优化》二读之杂言8

正则逼近（拟合）问题：或正则化逼近问题最小化范数和范数的加权和，其中测量残差的大小，测量的大小。正则化存在多种解释：考虑先验知识不会太大（最大后验估计）、考虑的误差（鲁棒估计）。推广的正则逼近（拟合）问题：如果代表差分或二阶差分算子，测量了的光滑度。两种常见的正则形式是范数正则（也称为Tikhonov正则）和范数正则（寻找稀疏解）。一个特殊的正则逼近（拟合）问题是信号重建/降噪。信号重建/降噪的目的是从时间采样的含噪观测信号中估计原始信号。我们假设原始信号是缓慢.
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。