1、欠定线性系统
考虑方程组
Ax=b,这里
x∈Rm,
A∈Rn×m,
b∈Rn,如果
n<m,则该方程组描述了欠定线性系统。
若将
A表示为列向量的形式,
A=[a1,a2,…,am],则
A的列空间为
col(A)=span{a1,a2,…,am}={y∈Rn;y=Σj=1mαjaj,αj∈R}.此外,我们有
Ax=Σj=1majxj=b.显然,如果
b不在
A的列空间中,则该系统无解;反之则有无穷多解。所以我们假定,
A的列向量张成整个
Rn空间,也就是说
A为列满秩。
下面我们要讨论的是,对于这样的欠定线性系统,我们会得到无穷多的
x,但如何找到最好的,或者至少是比较好的
x呢?
2、正则化
对于上一节的问题,其根本问题是因为我们的约束条件不够,所以得到的是无穷多解。所以如果想要得到一个解(最优解或者满意解),就得增加条件。
正则化(regularization)是一种常用的增加条件的方法,也就是引入一个函数
J(x),用来对
x的候选解进行评价,并且如果
J(x)的值越小,我们就认为解越好。
【定义】常规优化问题(
PJ)
(PJ):xminJ(x)s.t.b=Ax.
最常见的
J(x)函数是欧几里德范数的平方
∣∣x∣∣2,由此对应了最小范数解。
【定义】最小范数解(唯一解)
(P2):xmin∣∣x∣∣2s.t.b=Ax.
使用拉格朗日算子法,可以得到最优解为
x^opt=−21ATλ=A+b,这里
A+为
A的伪逆。
【参考文献】
[1] Michael Lead, Sparse and Redundant Representations, From Theory to Applications in Signal and Image Processing.