# 原子范数
> 区别于$l_1$范数只能用来处理稀疏向量和核范数只能处理稀疏矩阵,原子范数通过选取不同的基向量,可以有处理不同的问题。
## 一、定义
### 1.1 原子范数
$$||x||_A = \inf \{ t > 0|x \in tconv(A)\} $$
简单的说,这是一个由A中的向量构成的一个凸包$conv(A)$通过整体的尺度变换使得$x$恰好落入$tconv(A)$中,把最后的尺度变换$t$作为$||x||_A$的值。
###1.2 对偶范数
$$||z||_A^* = \sup \limits_{||x||_A \le 1} \left\langle {x,z} \right\rangle $$
显然,$$\left\langle {x,z} \right\rangle \le ||x||_A||z||_A^*$$
## 二、凸优化问题
###2.1 优化问题
$$\min \limits_x {1 \over 2}||x - y||_2^2 + \tau ||x||{_A}$$
其中,$y=x^*+w,x^*$ 是真实值,$x$是估计值
###2.2 对偶问题
原问题等价于
$$\min \limits_x {1 \over 2}||x - y||_2^2 + \tau ||u||_A,s.t. u=x$$
对应的Lagrange函数为 $$L(x,u,z)= {1 \over 2} ||x-y||_2^2 +\tau ||u||_A +z^T(u-x)$$
那么,Lagrange对偶函数为 $$g(z)=\inf \li