首页/论文/1503.00792

arXiv 1503.007922015-03-03cs.ITmath.IT

相关熵度量惩罚下稀疏性感知的归一化最小均值p次幂算法

Sparsity Aware Normalized Least Mean p-power Algorithms with Correntropy Induced Metric Penalty

Wentao Ma, Hua Qu, Jihong Zhao, Badong Chen, Guan Gui

备注：: 5 pages, 4 figures, submitted for DSP2015

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

针对非高斯脉冲噪声系统的辨识问题，提出了归一化LMP（NLMP）方法。然而，标准算法没有考虑未知系统固有的稀疏结构分布。为了充分利用稀疏性并抑制脉冲噪声，本文提出了一种稀疏NLMP算法，基于相关熵诱导度量（CIM）约束的NLMP（CIMNLMP）。在第一种算法的基础上，利用可变正则化参数（VRP）选择方法，进一步调整收敛速度和稳态误差，提出了一种改进的CIM约束可变正则化NLMP（CIMVRNLMP）算法。数值仿真验证了所提出的算法的有效性。

英文摘要：

For identifying the non-Gaussian impulsive noise systems, normalized LMP (NLMP) has been proposed to combat impulsive-inducing instability. However, the standard algorithm is without considering the inherent sparse structure distribution of unknown system. To exploit sparsity as well as to mitigate the impulsive noise, this paper proposes a sparse NLMP algorithm, i.e., Correntropy Induced Metric (CIM) constraint based NLMP (CIMNLMP). Based on the first proposed algorithm, moreover, we propose an improved CIM constraint variable regularized NLMP(CIMVRNLMP) algorithm by utilizing variable regularized parameter(VRP) selection method which can further adjust convergence speed and steady-state error. Numerical simulations are given to confirm the proposed algorithms.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

非高斯环境下基于最大相关熵准则的稀疏自适应滤波信道估计算法

Maximum correntropy criterion based sparse adaptive filtering algorithms for robust channel estimation under non-Gaussian environments

稀疏自适应信道估计问题因其简单性和鲁棒性而成为宽带无线通信系统中的重要研究课题之一。到目前为止，许多稀疏感知的信道估计算法已经开发的基础上著名的最小均方误差（MMSE）准则，如零吸引最小均方（ZALMS），这是高斯假设下的鲁棒性。然而，在非高斯环境中，这些方法往往不再是鲁棒的，特别是当系统受到随机脉冲噪声干扰时。为了解决这个问题，我们在这项工作中提出了一个强大的稀疏自适应滤波算法，使用相关熵诱导度量（CIM）惩罚最大相关熵准则（MCC），而不是传统的MMSE准则的鲁棒信道估计。具体地说，MCC被用来减轻脉冲噪声，而CIM被采用，以有效地利用信道稀疏。理论分析和计算机模拟证实了所提出的方法。

2015-04-14cs.ITmath.IT

非凸稀疏诱导多罚正则化的计算方法

Computational approaches to non-convex, sparsity-inducing multi-penalty regularization

在这项工作中，我们考虑的数值效率和收敛速度的求解器的非凸多罚公式重建稀疏信号时，从嘈杂的线性测量。我们扩展了现有的方法，减少到一个增广的单罚制定的基础上，非凸设置，并讨论其在大规模应用中的计算棘手性。为了规避这一限制，我们提出了一种替代的基于无穷卷积的单罚减少，该方法具有增强方法的优点，但在计算上对问题大小的依赖性较小。我们提供的线性收敛速度，这两种方法，以及它们对设计参数的依赖。数值实验证实了我们的理论发现。

2021-01-14cs.ITmath.IT

在1比特压缩感知中利用二维的组稀疏性

Exploiting Two-Dimensional Group Sparsity in 1-Bit Compressive Sensing

Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico（高等技术学院）

我们提出了一种新的方法，{ \it二维的【形】融合二进制压缩感知}（2DFBCS）恢复2D稀疏分段信号从1位的测量，利用2D组稀疏1位压缩感知恢复。所提出的方法是以前的{ \it二进制迭代硬阈值}（2DBIHT）算法的修改后的2D版本，其中的目标函数包括一个2D单侧$\ell_1$（或$\ell_2$）的惩罚函数，鼓励协议与观察到的数据，一个指示函数的$K$ -稀疏，和总变差（TV）或修改后的TV（MTV）的约束。可以有效地计算2D单侧$\ell_1$（或$\ell_2$）惩罚的次梯度和到$K$上的投影-稀疏性和TV或MTV约束，从而允许应用{ \it前向-后向分裂}（也称为{ \it迭代收缩阈值}）族。对二维稀疏分段光滑信号的恢复实验表明，该方法能够充分利用原始信号的分段光滑性，实现比2DBIHT更精确的恢复。更具体地，具有MTV和$\ell_2$罚分的2DFBCS在所测试的算法中表现最好。

2014-02-21cs.CVcs.ITmath.IT

传感器网络中稀疏感知的分布式共轭梯度算法研究

Study of Sparsity-Aware Distributed Conjugate Gradient Algorithms for Sensor Networks

提出了一种基于共轭梯度法和扩散策略的传感器网络参数估计分布式自适应算法。我们提出了稀疏意识的传统和修改分布式CG算法使用$l_{1}$和对数和惩罚函数。与一致最小均方（Diffusion-LMS）算法和扩散CG算法相比，所提出的稀疏感知扩散分布式CG算法在均方偏差（MSD）和收敛性能方面都有提高，而与扩散分布式递归最小二乘（Recursive Least Squares，RLS）算法性能接近。数值结果表明，所提出的算法是可靠的，可以应用于多种场景。

2015-11-20cs.ITmath.IT

脉冲噪声环境下参数联合优化的鲁棒稀疏感知RLS算法研究

Study of Robust Sparsity-Aware RLS algorithms with Jointly-Optimized Parameters for Impulsive Noise Environments

Southwest University of Science and Technology（西南科技大学）；Sichuan University（四川大学）；University of York（约克大学）；PUC-Rio（里约热内卢天主教大学）

针对脉冲噪声下稀疏系统的辨识问题，提出了一种统一的稀疏感知鲁棒递归最小二乘RLS（S-RRLS）算法。该算法仅通过替换指定的鲁棒性和稀疏性惩罚标准，就可以推广多种算法。此外，通过联合优化遗忘因子和稀疏惩罚参数，提出了联合优化的S-RRLS（JO-S-RRLS）算法，该算法不仅具有较低的失调，而且能够很好地跟踪稀疏系统的突变。在脉冲噪声环境下的仿真结果表明，所提出的S-RRLS和JO-S-RRLS算法优于现有的技术。

2022-04-09cs.ITcs.LGeess.SP

最小化变换后的$L_1$惩罚：理论、凸函数差分算法及其在压缩感知中的鲁棒应用

Minimization of Transformed $L_1$ Penalty: Theory, Difference of Convex Function Algorithm, and Robust Application in Compressed Sensing

研究了非凸稀疏促进罚函数的最小化问题，即变换后的$l_1$（TL 1），及其在压缩感知（CS）中的应用。TL 1罚函数通过非负参数$a \in (0,+\infty)$对$l_0$和$l_1$范数进行插值，类似于$l_p$和$p \in (0,1]$，并且已知满足无偏性、稀疏性和Lipschitz连续性。首先考虑约束极小化问题，并基于零空间性质（NSP）讨论了$l_0$范数极小解的精确恢复。然后证明了当感知矩阵$A$满足限制等距性（RIP）时，$l_0$范数极小解的稳定恢复.其次，我们提出了TL 1（DCATL 1）的凸算法在计算CS中的TL 1-正则化约束和无约束问题的差异。内循环涉及一个$l_1$最小化问题，我们采用交替方向乘法（ADMM）。对于无约束问题，我们证明了DCATL 1收敛到一个满足一阶最优性条件的稳定点。在数值实验中，我们确定了最佳值$a=1$，并比较了DCATL 1与其他CS算法的两类传感矩阵：高斯随机矩阵和过采样离散余弦变换矩阵（DCT）。我们发现，对于这两类传感矩阵，DCATL 1算法（开始与$l_1$最小化）的性能总是排名接近顶部（如果不是顶部），是最强大的选择不敏感的条件下的传感矩阵$A$。与DCA相比，DCATL 1在统计学中常用的具有两个超参数的非凸罚函数上也具有竞争力。

2018-01-11cs.ITmath.IT

更多相关论文收起更多论文

非对称惩罚下的RLS恢复：基本极限和数学方法

RLS Recovery with Asymmetric Penalty: Fundamental Limits and Algorithmic Approaches

本文研究了样本先验分布不同的信号的正则化最小二乘恢复问题，时变稀疏信号。对于这个模型，贝叶斯框架建议用非对称惩罚来正则化最小二乘项。我们调查这个问题在两个方面：首先，我们通过副本方法的渐近性能的特点，然后讨论算法的方法来解决这个问题。通过对性能的渐近表征，我们提出了一种调整策略来优化调整算法的恢复方法。为了证明结果的应用，研究了BPSK恢复的特定示例，并且在文献中可用的结果的阴影中描绘了所提出的策略的效率

2018-05-30cs.ITmath.IT

变换后$L_1$罚函数的最小化：封闭形式表示和迭代保持算法

Minimization of Transformed $L_1$ Penalty: Closed Form Representation and Iterative Thresholding Algorithms

变换后的$l_1$罚函数（TL 1）是由绝对值函数价值函数构成的单参数双线性变换族。当作用于向量时，TL 1惩罚类似于$l_p$范数（$p \in (0,1)$）来内插$l_0$和$l_1$。在我们的配套文件中，我们表明，TL 1是一个强大的稀疏促进惩罚压缩感知（CS）问题的广泛的非相干和相干传感矩阵。在这里，我们开发了一个显式的不动点表示的TL 1正则化最小化问题。TL 1阈值函数对于所有参数值都是封闭形式。相比之下，$l_p$阈值函数（$p \in [0,1]$）仅对于$p=0,1,1/2,2/3$为封闭形式，分别称为硬阈值、软阈值、半阈值和2/3阈值。TL 1阈值在亚临界（超临界）参数范围内不同，其中TL 1阈值函数是连续的（不连续的），类似于软阈值（半阈值）函数。我们提出了TL 1迭代阈值算法，并将其与硬阈值和半阈值算法在CS测试问题中进行了比较。对于非相干和相干传感矩阵，建议的TL 1迭代阈值算法与自适应亚临界和超临界阈值一致执行最好的稀疏信号恢复测量噪声和没有。

2016-10-18cs.ITmath.IT

并子空间中的广义稀疏保持和在线稀疏感知学习

Generalized Thresholding and Online Sparsity-Aware Learning in a Union of Subspaces

本文研究了时变（时间自适应）环境中的稀疏信号恢复任务。该论文对稀疏感知在线学习的贡献有三个方面：首先，引入了一个与凸和非凸罚函数相关的广义保偏（GT）算子。该算子以统一的方式体现了大多数促进稀疏性的著名阈值规则。第二，一个非凸约束，稀疏促进，在线学习计划，即自适应投影为基础的广义线性保持（APGT），采用GT算子的计算复杂性，规模线性未知数的数量。第三，部分拟非扩张映射的新家庭被引入作为一个功能分析工具，处理GT算子。通过建立在丰富的不动点理论上，前一类映射也帮助我们在GT算子和线性子空间的并集之间建立了联系;非凸对象是任何稀疏性提升技术的核心，无论是批处理还是在线。基于这样一个功能分析框架，APGT的收敛性分析。此外，大量的实验表明，APGT表现出竞争力的性能相比，计算上更苛刻的替代品，如稀疏促进仿射投影算法（APA）和递归最小二乘（RLS）为基础的技术。

2012-11-30cs.ITmath.IT

多聚类系统辨识的块稀疏诱导自适应滤波器

Block-Sparsity-Induced Adaptive Filter for Multi-Clustering System Identification

为了提高基于最小均方（LMS）的自适应滤波在块稀疏系统辨识中的性能，提出了一种新的块稀疏LMS（BS-LMS）自适应算法。该算法的基本思想是在传统LMS算法的代价函数中加入一个块稀疏性惩罚，它是一个等分组大小的自适应抽头权值的混合l_{2, 0}范数。为了描述块稀疏的系统响应，首先提出了一种马尔可夫-高斯模型，该模型可以在给定参数的情况下产生任意平均稀疏度和任意平均块长度的系统响应。然后，我们提出了理论表达式的稳态失调和瞬态收敛行为的BS-LMS与适当的组划分大小的白色高斯输入数据。基于上述结果，我们从理论上证明了BS-LMS具有更好的收敛性能比1_0\$LMS具有相同的小失调水平。最后通过数值实验验证了理论分析与仿真结果在较大参数范围内的一致性。

2014-10-19cs.ITmath.IT

自适应盲稀疏信道均衡

Adaptive Blind Sparse-Channel Equalization

本文提出了一种分数范数约束的盲自适应稀疏信道均衡算法。从本质上讲，该算法通过增加稀疏诱导$\ell_p$ -范数惩罚来改进恒模（CM）准则的最小化。仿真结果表明，所提出的正则化均衡器有效地利用了固有的信道稀疏性，并具有更快的收敛速度相比，它的同行。

2017-08-05cs.ITmath.IT