周 珺, 黄 尉
(合肥工业大学 数学学院,安徽 合肥 230601)
压缩感知(compressed sensing,CS)是由Donoho、Candes、陶哲轩等人首先提出的一种新型的采样理论[1-2],主要是利用信号的先验信息,考虑从较少的线性测量中恢复高维稀疏信号。一般考虑以下模型:
y=Aβ+z
(1)
其中,A∈Rn×m(n≪m)为测量矩阵;z∈Rn为测量误差。压缩感知的目标是基于y和A重建未知信号β∈Rm。值得注意的是,假设信号是稀疏的,在无噪情形下,若测量矩阵A满足一定条件,则未知信号β可以被准确恢复。
为了解决上述问题,一个自然的想法就是采用l0最小化去找到满足Aβ=y可行解集合中最稀疏的解,但这是一个非凸和NP-难的问题,计算上是不可行的。因此,人们想到对l0最小化进行凸松弛,利用l1最小化方法来解决上述问题, 即
(2)
特别地,与l1范数相比,l1-l2范数更接近l0范数,从理论上说,l1-l2最小化模型优于l1最小化模型[3-4]。因此,本文考虑用l1-l2极小化方法从欠定的线性测量中重建信号,现考虑如下约束优化问题:
(3)
其中,B为取决于噪声的类型。特别地,在无噪声情形下(B={0})有:
(4)
其中, (3)式和(4)式是本文主要的研究模型。
本文主要研究了若测量矩阵A满足一定条件,则通过l1-l2极小化方法可以使k-稀疏信号精确恢复。此条件弱于文献[4]中给出的2k阶限制等距性质(restricted isometry property,RIP)条件。
RIP由文献[1]首先提出,是压缩感知中使用最多的框架,主要是刻画一个矩阵和标准正交矩阵的相似程度。
定义1(RIP)[1]假设A∈Rn×m是一个测量矩阵,1≤k≤m是一个整数,若存在一个常数δk(0≤δk<1),对任意k-稀疏信号β,满足:
(5)
则称矩阵A满足k阶RIP。若δk是对每个k-稀疏信号均满足(5)式的最小非负数,则称δk为k阶限制等距常数(restricted isometry constant,RIC)。
定义2(ROC)[5]假设A∈Rn×m是一个测量矩阵,定义(k1,k2)阶限制正交常数(restricted orthogonal constant,ROC)为最小非负数θk1,k2,使得对任意具有不相交支撑集的k1-稀疏矢量β1和k2-稀疏矢量β2满足:
|〈Aβ1,Αβ2〉|≤θk1,k2‖β1‖2‖β2‖2。
引理1[6]令k1、k2≤m且λ≥0,假设信号β1、β2∈Rm有不相交支撑集,β1是k1-稀疏矢量,β2满足‖β2‖1≤λk2且‖β2‖∞≤λ,则有:
显然,引理1是对ROC定义的一般性推广。
定义3[3]若矢量x∈Rm,则定义矢量x的最佳k项近似误差为:
定理1若信号β是k-稀疏的,测量矩阵A∈Rn×m满足:
(6)
Ti={pl:(i-1)k+1≤l≤ik},
因此
特别地,
故
移项整理得:
(7)
又因为
|〈AhT01,AhTj〉|≤
因此
于是有:
|〈Ah,AhT01〉|≥|〈AhT01,AhT01〉|-
(8)
因为Ah=0,所以由(7)式和(8)式有:
假设信号β不是k-稀疏的,现考虑如下2种类型的噪声情形:
(1)Bl2(ε)={z:‖z‖2≤ε}。
(2)BDS(ε)={z:‖ATz‖∞≤ε}。
定理2 若测量矩阵A∈Rn×m满足:
证明(1) 证明Bl2(η)={z∈Rn:‖z‖2≤η}。证明过程与定理1相似,不同之处如下:
|〈Ah,AhT01〉|≤‖Ah‖2‖AhT01‖2≤
其他过程与定理1相同,可得:
‖hT01‖2≤
(9)
由(7)式和(9)式得:
(2) 证明BDS(η)={z∈Rn:‖ATz‖∞≤η} 。类似地,
且
(10)
由(7)式和(10)式得:
高斯噪声情形作为一种特殊情形被很多学者关注[8-9],其观察模型为:
y=Aβ+z,z~N(0,σ2In)。
假设σ是已知的,矩阵A中的列向量均为单位向量,定义如下2个噪声类型:
则分别对应有[9]:
这表明高斯变量z以高概率处于集合B1和B2中。显然,由定理2可给出如下定理。
定理3若测量矩阵A∈Rn×m满足:
则有如下结论:
本文主要考虑从很少的线性测量信号中恢复稀疏信号,基于RIP框架,得到了通过l1-l2极小化方法精确恢复稀疏信号的一个充分条件,同时,给出了有噪声情形下的误差估计。