压缩感知-Gradient Projection for Sparse Reconstruction(梯度投影稀疏重建)

压缩感知-Gradient Projection for Sparse Reconstruction

GPSR的作用主要是为了解决无约束的凸优化问题：

$$\begin{equation} \mathop {\min }\limits_x \frac{1}{2}\left\| {y - {\bf{A}}x} \right\|{}_2^2 + \tau {\left\| x \right\|_1} \end{equation}$$

而GPSR的第一个关键步骤就是将公式(1)转化为一个二次规划问题。转化的方法是将$x$分离成正负两部分：

$$\begin{equation} {\bf{x}} = {\bf{u}} - {\bf{v}},{\bf{u}} \ge 0,{\bf{v}} \ge 0 \end{equation}$$
则约束项变为：

$${\left\| {\bf{x}} \right\|_1} = 1_n^T{\bf{u}} + 1_n^T{\bf{v}}$$
这样式(1)就可以重写成带边界约束的二次规划问题(bound-constrained quadratic program, BCQP)：
$$\begin{equation} \mathop {\min }\limits_{\bf{x}} \frac{1}{2}\left\| {{\bf{y}} - {\bf{A}}\left( {{\bf{u}} - {\bf{v}}} \right)} \right\|{}_2^2 + \tau 1_n^T{\bf{u}} + \tau 1_n^T{\bf{v}},\quad s.t.\;{\bf{u}} \ge 0,{\bf{v}} \ge 0 \end{equation}$$
公式(3)可以进一步写成一个标准的BCQP形式：
$$\begin{equation} \mathop {\min }\limits_{\bf{z}} {{\bf{c}}^T}{\bf{z}} + \frac{1}{2}{{\bf{z}}^T}{\bf{Bz}} \equiv F\left( {\bf{z}} \right),\quad s.t.\;{\bf{z}} \ge 0 \end{equation}$$
其中 $F\left( {\bf{z}} \right)$表示目标函数，
$${\bf{z}} = \left[ {\begin{array}{*{20}{c}}{\bf{u}}\\{\bf{v}}\end{array}} \right],\quad {\bf{b}} = {{\bf{A}}^T}{\bf{y}},\quad {\bf{c}} = \tau 1_n^T{\bf{u}} + \left[ {\begin{array}{*{20}{c}}{ - {\bf{b}}}\\{\bf{b}}\end{array}} \right]$$
$${\bf{B}} = \left[ {\begin{array}{*{20}{c}}{{{\bf{A}}^T}{\bf{A}}}&{ - {{\bf{A}}^T}{\bf{A}}}\\{ - {{\bf{A}}^T}{\bf{A}}}&{{{\bf{A}}^T}{\bf{A}}}\end{array}} \right]$$
后面有两个经常用到的公式为：
$$\nabla F({\bf{z}}) = {\bf{c}} + {\bf{Bz}}$$
而：

Bz=