在稀疏重構(gòu)中,重構(gòu)誤差項和稀疏項通常使用一個正則化參數(shù)聚合成單目標(biāo)函數(shù),很難實現(xiàn)2個目標(biāo)的均衡優(yōu)化,這個缺陷通常導(dǎo)致稀疏重構(gòu)精度低.為此,提出一種自適應(yīng)局部搜索的多目標(biāo)進化算法.首先,基于范數(shù)和l₁范數(shù)和l_1/2范數(shù)分別設(shè)計了2種梯度迭代軟閾值法的局部搜索方法求得相應(yīng)解,這2種局部搜索方法可以提高解的收斂速度和精確度;其次,通過比較對應(yīng)的目標(biāo)函數(shù)值來競爭選取每輪的優(yōu)勝解;然后,采用基于競爭成功率的自適應(yīng)擇優(yōu)局部搜索方法來產(chǎn)生后期解;最后,在帕雷托前沿面的膝蓋區(qū)域上采用角度法選取最優(yōu)解.實驗結(jié)果表明:測量誤差和稀疏項可以達到平衡,在重構(gòu)精度方面,提出的方法遠(yuǎn)高于現(xiàn)有的傳統(tǒng)單目標(biāo)方法.相比于StEMO算法,當(dāng)測量維度M=600時,該方法可以提高33.8%;當(dāng)噪聲強度δ=0.002時可以提高82.7%;當(dāng)稀疏率K/N=0.3時可以提高7.38%.

【文章頁數(shù)】：12 頁

【部分圖文】：

圖１自適應(yīng)局部搜索方法流程Ｆｉｇ．１Ａｄａｐｔｉｖｅｌｏｃａｌｓｅａｒｃｈｍｅｔｈｏｄｆｒａｍｅｗｏｒｋ

３π－２３ａｒｃｃｏｓα８ｔｋｘｋｉ３（）－τ（（））（），其中，τ＝３２，ｔ＝２．３．７自適應(yīng)局部搜索方法設(shè)計為了提升解的精度，本文將３．６節(jié)中的局部搜索方法結(jié)合到進化算法中實現(xiàn)自適應(yīng)局部搜索方法，一方面可以加速算法收斂速度從而在較短的時間內(nèi)獲得帕雷托最優(yōu)解集（Ｐａｒｅｔｏｏｐ....

圖２最優(yōu)解的產(chǎn)生流程示例Ｆｉｇ．２Ｔｈｅｉｌｌｕｓｔｒａｔｉｏｎｏｆｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｇｅｎｅｒａｔｉｏｎｐｒｏｃｅｓｓ

圖９不同測量維度Ｍ下的重構(gòu)誤差Ｆｉｇ．９ＴｈｅＥａｏｎｄｉｆｆｅｒｅｎｔＭ

１組實驗，觀測向量ｙ中加入了服從Ｎ（０，０．０１）分布的噪聲，圖９～１２中每一個數(shù)據(jù)是經(jīng)過１０次獨立重復(fù)實驗后所得的平均重構(gòu)誤差（ａｖｅｒａｇｅｅｓｔｉｍａｔｉｏｎｅｒｒｏｒ），表示為Ｅａ．比較算法中所用的容忍參數(shù)為ε＝０．３，α＝０．０２．Ｆｉｇ．９ＴｈｅＥａｏｎｄｉｆｆｅｒｅ....

圖１０不同噪聲強度δ下的重構(gòu)誤差Ｆｉｇ．１０ＴｈｅＥａｏｎｄｉｆｆｅｒｅｎｔｎｏｉｓｅｌｅｖｅｌ

１組實驗，觀測向量ｙ中加入了服從Ｎ（０，０．０１）分布的噪聲，圖９～１２中每一個數(shù)據(jù)是經(jīng)過１０次獨立重復(fù)實驗后所得的平均重構(gòu)誤差（ａｖｅｒａｇｅｅｓｔｉｍａｔｉｏｎｅｒｒｏｒ），表示為Ｅａ．比較算法中所用的容忍參數(shù)為ε＝０．３，α＝０．０２．Ｆｉｇ．９ＴｈｅＥａｏｎｄｉｆｆｅｒｅ....

本文編號：3939087