本文關(guān)鍵詞：低秩矩陣重構(gòu)復(fù)原算法研究及應(yīng)用

  更多相關(guān)文章： 低秩 核范數(shù) 奇異值

【摘要】：目前,低秩矩陣重構(gòu)復(fù)原算法成為了近年來學(xué)術(shù)界研究的熱點(diǎn),即通過對樣本的部分采樣,從有限的測量中重構(gòu)復(fù)原出原始的大規(guī)模矩陣。這類低秩矩陣重構(gòu)復(fù)原問題有很多的實(shí)際應(yīng)用,例如:圖像修復(fù)、壓縮感知和醫(yī)學(xué)成像。針對這一具有挑戰(zhàn)性的任務(wù),多數(shù)研究將其表示為低秩矩陣的近似問題進(jìn)行研究。但是,由于其目標(biāo)函數(shù)-矩陣秩的非凸不連續(xù)性,作為矩陣秩凸松弛的核范數(shù)被廣泛使用。那么,低秩矩陣重構(gòu)復(fù)原問題就可以通過最小化核范數(shù)進(jìn)行求解。然而,核范數(shù)的最小化依然存在一個(gè)很大的限制,即所有的奇異值需要同時(shí)被最小化,這導(dǎo)致了矩陣秩近似效果不太理想。本文主要是利用最優(yōu)化的知識,基于Truncated Nuclear Norm Regularization(TNNR)思想(Hu et al.,2013)和Iterative Support Detection(ISD)思想(Wang and Yin,2010)提出了新的多階段算法,將低秩矩陣重構(gòu)復(fù)原算法進(jìn)行提升和推廣,從而使得關(guān)于矩陣低秩稀疏重構(gòu)的相關(guān)算法一般化、全面化。本文的工作貢獻(xiàn)具體為:首先,新多階算法克服了上述核范數(shù)的局限,不再是通過最小化所有的奇異值來實(shí)現(xiàn)低秩矩陣重構(gòu)復(fù)原問題,只需最小化那些數(shù)值相對較小的奇異值即可;同時(shí),算法克服了Hu et al.,2013中矩陣秩近似估計(jì)的傳統(tǒng)方法,實(shí)現(xiàn)了矩陣秩近似估計(jì)的相對高效性,即如何快速確定那些數(shù)值相對較小的奇異值的位置;此外,多階算法被應(yīng)用到了更一般的低秩矩陣重構(gòu)復(fù)原問題,而不是局限于一般的矩陣填充問題中。同時(shí),針對不同的優(yōu)化模型和限制條件,使用了相應(yīng)有效的數(shù)值計(jì)算方法。本文中給出了充分的實(shí)驗(yàn)來驗(yàn)證新多階段算法超于其他算法的優(yōu)越性。
【關(guān)鍵詞】：低秩 核范數(shù) 奇異值
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：O151.21
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-13
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-11
• 1.3 本文所做工作及內(nèi)容安排11-13
• 第二章 低秩問題中的迭代支撐集檢測13-18
• 2.1 LRISD算法概述13-14
• 2.2 SVE奇異值的估計(jì)14-17
• 2.3 本章小結(jié)17-18
• 第三章 模型求解18-27
• 3.1 TNNR-ADMM求解(2-4)式和(2-6)式18-21
• 3.1.1 預(yù)備知識18-19
• 3.1.2 TNNR-ADMM算法框架19-20
• 3.1.3 子問題分析20
• 3.1.4 章節(jié)小結(jié)20-21
• 3.2 TNNR-APGL求解(2-5)式21-23
• 3.2.1 APGL的算法回顧21
• 3.2.2 TNNR-APGL算法框架21-22
• 3.2.3 子問題分析22
• 3.2.4 章節(jié)小結(jié)22-23
• 3.3 TNNR-ADMMAP求解(2-4)式和(2-6)式23-26
• 3.3.1 TNNR-ADMMAP的優(yōu)點(diǎn)23
• 3.3.2 TNNR-ADMMAP算法框架23-24
• 3.3.3 子問題分析24-26
• 3.3.4 章節(jié)小結(jié)26
• 3.4 本章小結(jié)26-27
• 第四章 相關(guān)實(shí)驗(yàn)及結(jié)果27-43
• 4.1 實(shí)驗(yàn)安排及操作細(xì)節(jié)27-28
• 4.2 在矩陣填充下，，比較LRISD-ADMM和TNNR-ADMM-TRY28-31
• 4.3 在二維局部DCT下，對SVE有效性的分析31-32
• 4.4 在模擬數(shù)據(jù)下，比較LRISD-ADMM和LR-ADMM32-35
• 4.5 在真實(shí)圖像數(shù)據(jù)下，比較LRISD-ADMM和LR-ADMM35
• 4.6 參數(shù)k 的選取35-42
• 4.7 本章小結(jié)42-43
• 第五章 總結(jié)和展望43-44
• 5.1 總結(jié)43
• 5.2 展望43-44
• 致謝44-45
• 參考文獻(xiàn)45-49
• 攻讀碩士期間主要研究成果49-50

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李新陽,姜文漢;自適應(yīng)光學(xué)系統(tǒng)的最優(yōu)斜率復(fù)原算法[J];光學(xué)學(xué)報(bào);2003年06期

2 陳金林;韓志斌;;一種圖像復(fù)原算法的改進(jìn)[J];應(yīng)用數(shù)學(xué);2007年S1期

3 伍博;王燕;楊聚寶;;單幅水下圖像的能見度復(fù)原算法[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

4 趙慧潔;曲磊;程宣;;基于期望值最大化的高光譜圖像迭代復(fù)原算法[J];光學(xué)學(xué)報(bào);2009年08期

5 肖明明;梁凡;;基于圖像分割的視頻差錯復(fù)原算法[J];中山大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年S2期

6 李思雯;徐超;劉廣榮;金偉其;;大氣湍流模糊圖像的高分辨力復(fù)原算法[J];紅外與激光工程;2013年12期

7 李偉;王正勇;余艷梅;;結(jié)合優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)圖像復(fù)原算法[J];四川大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

8 黎明;楊杰;;基于支持向量機(jī)的湍流退化圖像加速復(fù)原算法[J];紅外與毫米波學(xué)報(bào);2009年06期

9 陳波;程承旗;郭仕德;濮國梁;耿則勛;;自適應(yīng)光學(xué)圖像非對稱圖像迭代盲復(fù)原算法[J];強(qiáng)激光與粒子束;2011年02期

10 付占方;劉學(xué)斌;;基于現(xiàn)代譜估計(jì)技術(shù)的干涉光譜復(fù)原算法[J];光子學(xué)報(bào);2013年09期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 李新陽;王春鴻;鮮浩;姜文漢;;自適應(yīng)光學(xué)系統(tǒng)的實(shí)時(shí)模式復(fù)原算法[A];第六屆全國激光科學(xué)技術(shù)青年學(xué)術(shù)交流會論文集[C];2001年

2 陳傳均;冷杰;鄒凱;楊銳;路大舉;;一種改進(jìn)的自適應(yīng)正則化紅外圖像復(fù)原算法[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會論文集[C];2012年

3 敖錦蓉;胡紹海;;基于盲卷積濾波圖像復(fù)原算法[A];全國第一屆信號處理學(xué)術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議專刊[C];2007年

4 楊秋英;趙剡;許東;;基于功率譜AR模型估計(jì)的序列圖像復(fù)原算法研究[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

5 連小麗;;基于同態(tài)盲解卷的超聲圖像復(fù)原算法研究[A];天津市生物醫(yī)學(xué)工程學(xué)會第三十四屆學(xué)術(shù)年會論文集[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 吳亞東;圖像復(fù)原算法研究[D];電子科技大學(xué);2006年

2 黃賀艷;圖像復(fù)原算法研究[D];吉林大學(xué);2013年

3 李鑫楠;圖像盲復(fù)原算法研究[D];吉林大學(xué);2015年

4 洪漢玉;成像探測系統(tǒng)圖像復(fù)原算法研究[D];華中科技大學(xué);2004年

5 董文德;基于光纖陀螺顫振探測的圖像復(fù)原技術(shù)研究[D];浙江大學(xué);2013年

6 劉鵬;圖像復(fù)原算法及FPGA實(shí)現(xiàn)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2007年

7 劉欽曉;波前編碼成像系統(tǒng)解碼算法理論研究及其應(yīng)用[D];浙江大學(xué);2010年

本文編號：1109174