進化多目標優(yōu)化的稀疏重構(gòu)方法研究.pdf

1、壓縮感知(Compressed Sensing,CS)是一個新興的研究課題,CS一般包括三個方面:信號的稀疏表示、觀測矩陣和重構(gòu)算法。其中,CS的必備條件是信號的稀疏表示,CS的關(guān)鍵點是觀測矩陣設(shè)計,CS重構(gòu)信號的方法是設(shè)計重構(gòu)算法。本文的主要目標是設(shè)計良好的壓縮感知圖像重構(gòu)算法。
　　目前,CS重構(gòu)算法主要有貪婪算法、凸優(yōu)化方法等。本文首次將進化多目標優(yōu)化算法的思想融入到了壓縮感知圖像重構(gòu)中,并將壓縮感知重構(gòu)中有約束的單目標優(yōu)化

2、問題轉(zhuǎn)化為將稀疏度也作為優(yōu)化目標的多目標優(yōu)化問題,進行了進化多目標優(yōu)化的稀疏重構(gòu)方法研究。同時,結(jié)合小波域下圖像的結(jié)構(gòu)信息給出了詳細的算法框架和算法描述。本文的主要創(chuàng)新性工作如下:
　　(1)本文提出了基于進化多目標優(yōu)化的稀疏重構(gòu)方法。給出了詳細的算法框架,并根據(jù)實際問題,設(shè)計了進化多目標的編碼方式、一致變異算子、基于位置信息指導(dǎo)的迭代硬閾值算法、稀疏度范圍自適應(yīng)策略等。并在小波域下通過對比實驗驗證了該算法的可行性和優(yōu)越性。

3、>　　(2)本文設(shè)計了一種新的分塊打散觀測方式。在小波域下,傳統(tǒng)的分塊壓縮感知中的分塊方式可能會出現(xiàn)不稀疏的塊,本文提出的分塊打散觀測方式是將不稀疏的塊的稀疏度壓力分配到其他塊,從而較好地解決了會出現(xiàn)不稀疏塊的問題。而且,本文實現(xiàn)了小波域下基于分塊打散觀測的正交匹配追蹤算法和迭代硬閾值算法,并通過對比實驗驗證了分塊打散觀測及基于分塊打散觀測的正交匹配追蹤算法和迭代硬閾值算法的有效性和優(yōu)越性。
　　(3)本文提出了基于進化多目標的分