凸优化第六章逼近与拟合作业题

原创

于 2019-02-15 10:23:19 发布 · 977 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

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

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。