凸优化第六章逼近与拟合 作业题

本文探讨了凸优化中的范数逼近问题,包括最小范数问题的解析,解释了为什么最小一范数问题倾向于产生稀疏解。此外,介绍了正则化逼近在图像处理中的应用,如L2惩罚项对优化变量的约束,以及鲁棒逼近在随机环境中的重要性。还特别讨论了常数向量的逼近问题,解析了不同范数下的最优解情况。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

范数逼近

Since the l1 norm is not differentiable at 0, solving

minimize \, \, \begin{Vmatrix} Ax-b \end{Vmatrix}_1

is much more computationally expensive than solving

minimize \, \, \begin{Vmatrix} Ax-b \end{Vmatrix}_2^2

where x \in R^n is the variable.

最小范数问题 

Let x^* be optimal for the least-norm problem

minimize \, \, \begin{Vmatrix}x \end{Vmatrix}_p \\ subject \, \, to \, \,Ax=b

with variable A \in R^{m\times n},b\in R^{m},x \in R^n and m\ll n.

Which of the follow

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值