参考 6.3.3节 Boyd 和 Vandenberghe 《凸优化》
CVX示例库
正则逼近
正则逼近问题可以写成:
minimize ∥ A x − b ∥ + γ ϕ ( x ) , γ > 0 \text{minimize}~ \|Ax-b\|+\gamma \phi(x), \gamma>0 minimize ∥Ax−b∥+γϕ(x),γ>0
正则逼近问题最小化范数 ∥ A x − b ∥ \|Ax-b\| ∥Ax−b∥和 ϕ ( x ) \phi(x) ϕ(x)的加权和,其中 ∥ A x − b ∥ \|Ax-b\| ∥Ax−b∥测量残差的大小, ϕ ( x ) \phi(x) ϕ(x)是正则项。如果 ϕ ( x ) \phi(x) ϕ(x)是凸函数,则正则逼近问题是凸优化问题。
两种常见的 ϕ ( x ) \phi(x) ϕ(x)是 ∥ x ∥ \|x\| ∥x∥(测量 x x x的大小)和 ∥ D x ∥ \|Dx\| ∥Dx∥(测量x的平滑度),其中 D D D代表差分或二阶差分算子。
信号重建/降噪
一个特殊的正则逼近问题是信号重建/降噪。信号重建/降噪的目的是从采样的含噪观测信号 y = x + v y=x+v y=x+v中估计原始信号 x x x。我们假设原始信号 x x x是缓慢变化的,而噪声信号 v v v是快速时变的,则信号重建/降噪问题可以写成:
minimize ∥ A x − b ∥ 2 + γ ∥ D x ∥ , γ > 0 \text{minimize}~ \|Ax-b\|_2+\gamma \|Dx\|, \gamma>0 minimize ∥Ax−b∥2+γ∥