L Regularization: A Thresholding Representation Theory and a Fast Solver

The special importance of L_{1/2} regularization has been recognized in recent studies on sparse modeling (particularly on compressed sensing). The L_{1/2} regularization, however, leads to a nonconvex, nonsmooth, and non-Lipschitz optimization problem that is difficult to solve fast and efficiently...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transaction on neural networks and learning systems Ročník 23; číslo 7; s. 1013 - 1027
Hlavní autoři:	Xu, Zongben, Chang, Xiangyu, Xu, Fengmin, Zhang, Hai
Médium:	Journal Article
Jazyk:	angličtina japonština
Vydáno:	IEEE 01.07.2012
Témata:	Compressed sensing Compressive sensing Convergence Convex functions half hard Iterative algorithms L_{q} regularization Learning systems Noise Optimization Signal processing algorithms soft sparsity thresholding algorithms thresholding representation theory
ISSN:	2162-237X, 2162-2388
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!