Resumen

El análisis de representación dispersa ha surgido recientemente como un enfoque alternativo al modelo disperso de síntesis. La mayoría de los algoritmos existentes suelen emplear la norma L1, la cual generalmente es NP-duro. Otros algoritmos existentes utilizan la norma L2 para relajar la norma L1, lo cual a veces no puede promover una dispersión adecuada. La mayoría de estos algoritmos existentes se centran en señales generales y no son adecuados para señales no negativas. Sin embargo, muchas señales son necesariamente no negativas, como los datos espectrales. En este documento, presentamos un algoritmo novedoso y eficiente de aprendizaje de diccionario de análisis para señales no negativas con una medida de dispersión de tipo determinante que es convexa y diferenciable. La representación dispersa de análisis se puede dividir en tres subproblemas: codificación dispersa, actualización de diccionario y actualización de señal, ya que la medida de dispersión de tipo determinante resultaría en un problema de optimización no convex

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Representación dispersa; Algoritmo de aprendizaje de diccionario de análisis; Señales no negativas; Medida de dispersión de tipo determinante; Esquema de programación de diferencia de convexos; Eliminación de ruido de imagen
• Keywords:Sparse representation; Analysis dictionary learning algorithm; Nonnegative signals; Determinant-type sparsity measure; Difference of convex programming scheme; Image denoising