赞
踩
原始信号为
s
(
n
)
s(n)
s(n),噪声为
w
(
n
)
w(n)
w(n),则采集到的信号可表示为
y
(
n
)
=
s
(
n
)
+
w
(
n
)
y(n)=s(n)+w(n)
y(n)=s(n)+w(n)目标是从含噪信号
y
(
n
)
y(n)
y(n)中恢复出无噪信号
s
(
n
)
s(n)
s(n)。
假设无噪声信号
s
(
n
)
s(n)
s(n)在某个域具有稀疏表示,即可写成
s
=
A
x
s=Ax
s=Ax的形式。这里我们假设这个域为频域。
那么,可以将带噪信号可写为:
y
=
A
x
+
w
y=Ax+w
y=Ax+w其中,
A
A
A为
M
∗
N
M*N
M∗N的傅里叶逆变换矩阵,定义如下
y
y
y是长度为
M
M
M的向量,
x
x
x是长度为
N
N
N的向量,
x
x
x中只有少数位置的值不为零,其余位置都为零。因此,从含噪信号
y
(
n
)
y(n)
y(n)中恢复出无噪信号
s
(
n
)
s(n)
s(n)的问题转化为BPD问题求解。其模型如下:
求解出 c c c后可得不含噪声的信号 s = A c s=Ac s=Ac。
BPD问题是L1-范数惩罚项最小二乘问题,通过变量分裂,可把优化问题写成:
令
则优化问题可写成
对于上述式子,可以采用ALM(augmented Lagrangian method)/MM(method
of multipliers )算法求解。得到迭代算法如下:
Eckstein和Bertsekas证明,在更一般的情况下,如果上式中的极小化在
x
x
x和
u
u
u之间交替进行,算法仍会收敛到全局最小。这种技术被称为alternating direction method of multipliers (ADMM)。交替对每一个x和u进行最小化,因此我们得到了算法:
该算法在也被称为SALSA (split augmented Lagrangian shrinkage algorithm)。
用MATLAB生成模拟信号如下
M = 100;
N = 256;
m = 0:M-1;
f1 = 0.1;
f2 = 0.22;
y0 = 2*cos(2*pi*f1*m)+sin(2*pi*f2*m);
添加正态分布 N ( 0 , 1 ) N(0,1) N(0,1)的随机噪声
R = normrnd(0,1,1,M);
y = y0+R;
BPD去噪之后的效果如下:
图片汇总
参考文献:
[1].M. V. Afonso, J. M. Bioucas-Dias, and M. A. T. Figueiredo. Fast image recovery using variable splitting and constrained
optimization. IEEE Trans. Image Process., 19(9):2345–2356, September 2010.
[2].J. Eckstein and D. Bertsekas. On the Douglas-Rachford splitting method and the proximal point algorithm for maximal
monotone operators. Math. Program., 5:293–318, 1992.
[3].L1-norm penalized least squares with SALSA. Ivan selesnick.
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。