凸优化第六章逼近与拟合 6.3正则化逼近

最新推荐文章于 2020-12-13 10:57:33 发布

「已注销」

最新推荐文章于 2020-12-13 10:57:33 发布

阅读量1.1k

点赞数

分类专栏：凸优化

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/wangchy29/article/details/87198824

版权

本文介绍了正则化逼近的概念，包括双准则式、Tikhonov正则化和最优输入设计。通过具体例子阐述了正则化在信号重构中的应用，探讨了不同正则化参数对输入信号光滑度和误差的影响。

摘要由CSDN通过智能技术生成

6.3正则化逼近

双准则式
正则化
例子

双准则式

目标是寻找向量x使其较小，而且使得残差Ax-b也较小。即 $minimize \, \, (\begin{Vmatrix} Ax-b\end{Vmatrix},\begin{Vmatrix} x \end{Vmatrix})$

其中 $A \in R^{m \times n}$ ，两个范数分别在 R^m,R^n 上。

解释：

（1）估计解释：线性y=Ax+v,x是估计值，v是噪声，y是测量值，先验知识为x很小，目标就是在y=b的时候照的最好的估计值x。

（2）最优设计：x越小越偏析越高效，模型y=Ax只对较小的x有效。

（3）鲁棒性解释：目标函数为Ax-b，当A有误差e时，目标变成了(A+e)x-b=Ax-b+ex，x越小对结果造成的误差越小。

正则化

最常见的正则化的形式是极小化目标加权和，即 $minimize \, \, \begin{Vmatrix}Ax-b \end{Vmatrix}+\gamma \begin{Vmatrix}x \end{Vmatrix}$ ， $\gamma >0$ 。

或者 $minimize \, \, \begin{Vmatrix}Ax-b \end{Vmatrix}^2+\delta \begin{Vmatrix}x \end{Vmatrix}^2$ ， $\delta >0$ 。

Tikhonov正则化

$minimize \, \, \begin{Vmatrix} Ax-b\end{Vmatrix}_2^2+\delta \begin{Vmatrix} x \end{Vmatrix}_2^2$

这个正则化利用Euclid范数，得到一个二次凸优化问题。

此问题也等价于一个最小二乘问题：

$minimize \, \, \begin{Vmatrix}\begin{bmatrix} A\\ \delta I \end{bmatrix}x- \begin{bmatrix} b\\ 0 \end{bmatrix}\end{Vmatrix}_2^2=\begin{Vmatrix}\begin{bmatrix} Ax-b\\ \delta Ix \end{bmatrix}\end{Vmatrix}_2^2$

<

最低0.47元/天解锁文章

「已注销」

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
凸优化第六章逼近与拟合 6.3正则化逼近

6.3正则化逼近双准则式正则化例子双准则式目标是寻找向量x使其较小，而且使得残差Ax-b也较小。即其中，两个范数分别在上。解释：（1）估计解释：线性y=Ax+v,x是估计值，v是噪声，y是测量值，先验知识为x很小，目标就是在y=b的时候照的最好的估计值x。（2）最优设计：x越小越偏析越高效，模型y=Ax只对较小的x有效。（3）鲁棒性解释：目标函数为Ax-b，当...
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。