稀疏优化L1范数最小化问题求解之基追踪准则(Basis Pursuit)——原理及其Python实现
文章目录
- 一、前言
- 二、问题重述
- 三、构造 ℓ1\ell_1ℓ1 范数
- 四、ℓ1\ell_1ℓ1 范数最小化问题转换为线性规划问题
- 五、基于linprog的基追踪Python代码
- 六、运行测试
- 七、总结
一、前言
本文针对压缩重构感知中的稀疏优化问题,实现了对其 L1 范数最小化问题
的求解,文章内容较长,请耐心看完,代码部分在本文第五章。
二、问题重述
考虑线性方程组求解问题:
Ax=b(1)Ax = b \tag{1} Ax=b(1)
其中向量 x∈Rn×1,b∈Rm×1x \in R^{n\times 1},\ b \in R^{m\times 1}x∈Rn×1, b∈Rm×1,矩阵 A∈Rm×nA \in R^{m\times n}A∈Rm×n,且向量 bbb 的维数远小于向量 xxx 的维数,即 m≪nm \ll nm≪n。由于 m≪nm \ll nm≪n,方程组 (1) 是欠定的,因此存在无穷多个解,但是真正有用的解是所谓的“稀疏解”
,即原始信号中有较多的零元素。
x=[0,0,1,0,...,1,0,0](2)x = [0, 0, 1, 0, ..., 1, 0, 0] \tag{2} x=[0,0,1,0,...,1,0,0](2)
如果加上稀疏性这一先验信息,且矩阵 AAA 以及原问题的解 uuu 满足某些条件,那么我们可以通过求解稀疏优化问题把 uuu 与方程组 (1) 的其他解区别开。这类技术广泛应用于压缩感知(compressive sensing)
,即通过部分信息恢复全部信息的解决方案。
三、构造 ℓ1\ell_1ℓ1 范数
举一个具体的例子(在 Python 环境里构造 A,uA, uA,u 和 bbb)1:
import numpy as np
m, n = 128, 256
# 128x256矩阵,每个元素服从Gauss随机分布
A = np.random.randn(m, n)
# 精确解 u 只有 10% 元素非零,每一个非零元素也服从高斯分布
# 可保证 u 是方程组唯一的非零元素最少的解
u = sprase_rand(n, 1, 0.1)
b = A * u
在这个例子中,我们构造了一个 128×256128 \times 256128×256 矩阵 AAA,它的每个元素都服从高斯 (Gauss) 随机分布
(参照我的这篇博客:在Python中创建、生成稀疏矩阵(均匀分布、高斯分布))。
精确解 uuu 只有 10% 的元素非零,每一个非零元素也服从高斯分布。这些特征可以在理论上保证 uuu 是方程组 (1) 唯一的非零元素最少的解
,即 uuu 是如下 ℓ0\ell_0ℓ0 范数问题的最优解:
min∥x∥0,s.t.Ax=b.(3)\min \left\|x\right\|_0,\ s.t.\ Ax = b. \tag{3} min∥x∥0, s.t. Ax=b.(3)
其中 ∥x∥0\left\|x\right\|_0∥x∥0是指 xxx 中非零元素的个数.由于 ∥x∥0\left\|x\right\|_0∥x∥0 是不连续的函数,且取值只可能是整数,问题 (3) 实际上是 NP(non-deterministic polynomial)
难的,求解起来非常困难。
若定义 ℓ1\ell_1ℓ1 范数:∥x∥1=∑i=1n∣xi∣\left\|x\right\|_1 = \sum_{i=1}^{n} \left|x_i\right|∥x∥1=∑i=1n∣xi∣,并替换到问题 (3) 中,我们得到了另一个形式上非常相似的问题(又称 ℓ1\ell_1ℓ1 范数优化问题,基追踪问题):
min∥x∥1,s.t.Ax=b.(4)\min \left\|x\right\|_1,\ s.t.\ Ax = b. \tag{4} min∥x∥1, s.t. Ax=b.(4)
可以从理论上证明:若 A,bA, bA,b 满足一定的条件2(例如使用前面随机产生的 AAA 和 bbb),向量 uuu 也是 ℓ1\ell_1ℓ1 范数优化问题 (4) 的唯一最优解。
四、ℓ1\ell_1ℓ1 范数最小化问题转换为线性规划问题
在文献3中,给出了将问题 (4) 即 ℓ1\ell_1ℓ1 范数最小化问题转换为标准的线性规划问题
的一种方法,首先对于如下问题:
min∥α∥1,s.t.Φα=s.(P)\min \left\|\alpha\right\|_1,\ s.t.\ \Phi\alpha = s. \tag{P} min∥α∥1, s.t. Φα=s.(P)
利用基追踪 (Basis Pursuit) 的定义,我们尝试将问题 P 与线性规划 (LP) 问题连接起来。首先,式 P 中变量 α\alphaα 没有非负约束,在此我们将 α\alphaα 定义为两个非负变量的差:
α=u−v,u,v≥0(5)\alpha\ =\ u - v,\ u, v \ge 0 \tag{5} α = u−v, u,v≥0(5)
由于 uuu 可以大于也可以小于 vvv,所以 aaa 可以是正的也可以是负的4。接着约束条件 Φα=s\Phi\alpha = sΦα=s 重写为 Φ(u−v)=s\Phi(u - v) = sΦ(u−v)=s,也可改写为如下形式:
[Φ,−Φ][uv]=s(6)\begin{bmatrix} \Phi,-\Phi \end{bmatrix} \begin{bmatrix} u\\v \end{bmatrix}\ =\ s \tag{6} [Φ,−Φ][uv] = s(6)
然后,根据范数的定义,目标函数改写为:
∥α∥1=∑i=1n∣αi∣=∑i=1n∣ui−vi∣(7)\left\|\alpha\right\|_1\ =\ \sum_{i=1}^{n}\left|\alpha_i\right|\ =\ \sum_{i=1}^{n}\left|u_i-v_i\right| \tag{7} ∥α∥1 = i=1∑n∣αi∣ = i=1∑n∣ui−vi∣(7)
目标函数中包含绝对值,采用网页5中的证明,对于有限维度的向量 ℓ1\ell_1ℓ1 范数最小化,即 min∥α∥1=∑i=1n∣αi∣\min\left\|\alpha\right\|_1 = \sum_{i=1}^{n} \left|\alpha_i\right|min∥α∥1=∑i=1n∣αi∣,等价于如下线性规划问题:
{mine(u+v)u−v=αu,v≥0(8)\left\{\begin{aligned} min\ \ \ \ &e(u\ +\ v)\\ &u\ -\ v\ =\ \alpha\\ &u, v \ge 0 \end{aligned}\right. \tag{8} ⎩⎪⎨⎪⎧min e(u + v)u − v = αu,v≥0(8)
其中 eee 为 1 行 nnn 列元素全为 1 的向量。接着若定义 x∈Rmx \in R^mx∈Rm,则可得到如下标准形式的线性方程:
mincTx,s.t.Ax=b,x≥0.(9)\min\ c^Tx,\ s.t.\ Ax = b,\ x \ge 0. \tag{9} min cTx, s.t. Ax=b, x≥0.(9)
在式 (9) 中,cTxc^TxcTx 是目标函数,Ax=bAx = bAx=b 是一组等式约束,x≥0x \ge 0x≥0 定义了边界。结合式 (5)、(6),我们对式 (9) 中的各变量做出如下映射使其符合式 (8):
m⇔2n;x⇔[uv];c⇔[1,1,...,1]1×2n;A⇔[Φ,−Φ];b⇔s.(10)m\Leftrightarrow2n;\ x\Leftrightarrow\begin{bmatrix}u\\v\end{bmatrix};\ c\Leftrightarrow[1, 1, ..., 1]_{1\times 2n};\ A\Leftrightarrow[\Phi, -\Phi];\ b\Leftrightarrow s. \tag{10} m⇔2n; x⇔[uv]; c⇔[1,1,...,1]1×2n; A⇔[Φ,−Φ]; b⇔s.(10)
根据式 (9) 和式 (10) 求解线型规划得到解 x0=[uv]x_0 = \begin{bmatrix}u\\v\end{bmatrix}x0=[uv],则问题 (P)(P)(P) 的解
α0=x0(1:n)−x0(n+1:2n)\alpha_0 = x_0(1:n) - x_0(n+1:2n) α0=x0(1:n)−x0(n+1:2n)
五、基于linprog的基追踪Python代码
同理可以用 MATLAB
做,原理在上面了,MATLAB 的可参考这篇博客:压缩感知重构算法之基追踪(Basis Pursuit, BP)
import numpy as np
from scipy import optimize as op def BP_linprog(Phi, s):'''s = Phi * alpha(Given Phi & s, try to derive alpha, alpha is a sparse vector)Parameters----------Phi : A matrix.s : A vector.Returns-------alpha : vectorOptimal solutions of equations under L1 norm.Reference---------Chen S S, Donoho D L, Saunders M A. Atomic decomposition by basis pursuit[J]. SIAM review, 2001, 43(1): 129-159.(Available at: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.37.4272&rep=rep1&type=pdf)Version: 1.0 writen by z.q.feng @2022.03.13'''s, Phi = np.array(s), np.array(Phi)if np.size(s, 0) < np.size(s, 1):s = s.Tp = np.size(Phi, 1)# according to section 3.1 of the referencec = np.ones([2 * p, 1])Aeq = np.hstack([Phi, -Phi])beq = sbounds = [(0, None) for i in range(2 * p)]x0 = op.linprog(c, A_eq = Aeq, b_eq = beq, bounds = bounds,method='revised simplex')['x']alpha = x0[:p] - x0[p:]return np.array([alpha])
六、运行测试
根据第二节的代码产生的矩阵来测试,编写运行绘图代码如下:
alpha = BP_linprog(A, b)
# 恢复残差
print('\n恢复残差:', np.linalg.norm(alpha.T - u.toarray(), 2))
# 绘图
plt.figure(figsize = (8, 6))
# 绘制原信号
plt.plot(u.toarray(), 'r', linewidth = 2, label = 'Original')
# 绘制恢复信号
plt.plot(alpha.T, 'b--', linewidth = 2, label = 'Recovery')
plt.grid()
plt.legend()
plt.show()
得到输出如下:
恢复残差: 4.0645022580106625e-15
绘制图像如下:
七、总结
Python 中的的科学计算库让其与 MATLAB 比较也有挺不错的实现价值。
刘浩洋,户将,李勇峰,文再文. 最优化:建模、算法与理论[M]. 北京: 高等教育出版社, 2020: 4-11. ↩︎
DONOHO D L. Compressedsensing[J/OL]. IEEE Transactions on information theory, 2006(4): 1289-1306. http://www.signallake.com/innovation/Compre
ssedSensing091604.pdf. ↩︎DONOHO D L, CHEN S S, SAUNDERS M A. Atomicdecomposition by basis pursuit[J/OL]. SIAM review, 2001(1): 129-159. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.37.4272&rep=rep1&type=pdf. ↩︎
朱德通,孙文瑜,徐成贤. 最优化方法 (第二版)[M]. 北京: 高等教育出版社,2010: 49-51. ↩︎
L1 范数优化的线性化方法如何证明?[J/OL]. http://www.zhihu.com/question/21427075. ↩︎
稀疏优化L1范数最小化问题求解之基追踪准则(Basis Pursuit)——原理及其Python实现相关推荐
- l1范数最小化快速算法【文献阅读】
1:解决的问题模型如下: 或者约束条件可以适当的松弛,即为如下模型: 当然约束条件取范数,数据获取的比较准确,结果逼近的效果更好,防止过拟合.如果取 范数,则是获取的数据,受到污染比较严重. ...
- l1范数最小化快速算法
1:解决的问题模型如下: 或者约束条件可以适当的松弛,即为如下模型: 当然约束条件取
- 超定线性方程组Ax=b极小L1范数求解——MATLAB/Python实现
文章目录 一.前言 二.问题重述 二.极小模剩余向量的性质及求法 三.基于基追踪准则的一种求解算法 四.算法伪码 五.超定线性方程组极小 ℓ1\ell_1ℓ1 范数求解Python代码 六.检验与测 ...
- l20范数最小化求解系数方程_贪婪组稀疏方法(Greedy group sparsity)
l20范数最小化求解系数方程_贪婪组稀疏方法(Greedy group sparsity) 本文章部分参考Fast group sparse classification l20范数最小化求解系数方程 ...
- 压缩感知的尽头: 原子范数最小化
文章目录 前言 问题建模 Toeplitz 矩阵的范德蒙德分解 DOA估计的一般框架 ℓ0\ell_0ℓ0-原子范数 ℓ0\ell_0ℓ0-原子范数 与 范德蒙德分解 原子范数 多维原子范数 证明 ...
- 三维网格去噪算法(L0范数最小化,包含二维图像去噪)
参考文章(技术来源):Mesh denoising via L0 minimization 上面参考文章提出了一种基于L0范数最小化的三角网格去噪算法.该思想由二维图像平滑引申而来,所以先从基于L0范 ...
- K-means的缺点(优化不仅仅是最小化误差)
K-means的缺点(优化不仅仅是最小化误差) #转载时,请注明英文原作David Robinson,译者Ding Chao.# 我最近遇到一个交叉验证的问题,我认为这个给我提供了一个很好的机会去用& ...
- 图像处理-基于图像梯度L0范数最小化(L0smooth)的保护边缘平滑滤波
算法程序备注: (1)下面是对一幅自然图像进行处理的结果: 可以看到图像有非常明显的变化,图像分成了一块一块,这是图像平滑后的结果,因为保护了边界,因此明显的边界仍然存在,但是不可避免的细节部分被磨平 ...
- 压缩感知重构算法之基追踪(Basis Pursuit, BP).基追踪并不能称为一个具体的算法,而是一种最优化准则,可以有很多实现方式,我认为指的是L0可以变为L1的准则
基追踪(basis pursuit)算法是一种用来求解未知参量L1范数最小化的等式约束问题的算法. 基追踪是通常在信号处理中使用的一种对已知系数稀疏化的手段.将优化问题中的L0范数转化为L1范数的求解 ...
最新文章
- fastText的原理剖析
- ldconfig提示is not a symbolic link警告的去除方法
- Vue教程1 【Vue核心】
- UIBarButtonSystemItem 各种款式
- leetcode算法题--树的子结构
- sicily 1150. 简单魔板
- 关于MySQL的SLEEP(N)函数
- oracle 体系结构认识,Oracle体系结构总体认识
- 刚柔并济的开源分布式事务解决方案
- 信息学奥赛C++语言:被3整除
- 支付宝小程序中“”号写法
- 怎么用计算机技术预测蛋白质结构,蛋白质结构预测及方法介绍 一搜索无重复 - 生物科学 - 小木虫 - 学术 科研 互动社区...
- (转)Django ==== 实战学习篇十三 分页(Paginator)处理;Django使用内置的admin
- matlab对一个数组进行补零,matlab 输出 整数 补0
- 中国科学院大学2013年数学分析高等代数考研试题
- 据说这是世界上流传最广的财务模型,不用就out了
- OA系统概要设计文档
- 软件能力成熟度模型CMM
- 美通社企业新闻汇总 | 2019.3.7 | 百胜中国在上海设创新中心;折叠手机2019年预计仅占智能手机市场渗透率0.1%...
- 私有协议的解密游戏:从秘文到明文