基于混合正则化的信息保留稀疏核学习:用于毫米波成像与混沌动力学的实时鲁棒重建
《Expert Systems with Applications》:Information-Preserving Sparse Kernel Learning via Hybrid Regularization Real-Time Robust Reconstruction for Millimeter-Wave Imaging and Chaotic Dynamics
【字体:
大
中
小
】
时间:2026年08月10日
来源:Expert Systems with Applications 9.4
编辑推荐:
摘要
在在线感知系统中,如何在保持高保真重建的同时提升计算效率是一个重要挑战,尤其是在处理非平稳混沌动力学和近场毫米波成像时。传统的稀疏核方法往往为了追求模型简洁性而牺牲结构细节,从而导致在严重欠采样情况下信息丢失。为解决这一问题,本文提出了一种能够保留信息的在线框架——压缩
摘要
在在线感知系统中,如何在保持高保真重建的同时提升计算效率是一个重要挑战,尤其是在处理非平稳混沌动力学和近场毫米波成像时。传统的稀疏核方法往往为了追求模型简洁性而牺牲结构细节,从而导致在严重欠采样情况下信息丢失。为解决这一问题,本文提出了一种能够保留信息的在线框架——压缩感知核递归最小二乘法(CSKRLS)。该算法在递归更新过程中引入了混合正则化机制,结合小波域稀疏性和总变分正则化。与传统的稀疏化方法不同,这种设计能够实现结构感知型稀疏化:它有选择地保留信号中的关键特征(如图像中的几何边缘和时间序列中的瞬态峰值),同时抑制噪声和冗余信息。通过加速的原始-对偶策略来解决由此产生的复合优化问题,从而确保算法具有适合实时应用的低延迟特性。在混沌基准测试(Mackey–Glass、Lorenz模型)以及毫米波图像序列上的大量实验表明,CSKRLS的性能显著优于现有的核自适应滤波器。更重要的是,各项定量指标(包括均方误差和结构相似性指数)都证明了其在受噪声干扰和欠采样环境下仍能保持高结构保真度,从而验证了其作为在线重建领域强大工具的有效性。
引言
在严重噪声和欠采样约束下对高维信号进行实时重建和预测,是现代在线感知系统面临的核心挑战。除了最小化逐点重建误差外,许多实际应用还要求算法具备对数据缺陷的鲁棒性,能够在测量数据存在噪声、不完整或动态变化的情况下依然保持稳定的重建性能。典型的应用场景包括工业故障诊断(Jian, Cao, Liu, Xu, & Zhong, 2025)、快速磁共振成像(Yamamoto et al., 2023)、混沌时间序列分析,以及下一代无线系统中的新兴近场毫米波感知技术(Khodadad & Janalizadeh, 2023)。这些应用都需要能够适应流式数据、抵御噪声和缺失样本影响,并且计算效率足够高以便实时部署的在线学习算法。
压缩感知技术通过利用高维数据的固有稀疏性,从根本上改变了信号采集的方式(Candes, Tao, 2006; Donoho, 2006)。在离线场景中,基于稀疏性的正则化方法已在医学成像领域实现了高精度重建,例如用于磁共振成像的时空压缩感知框架(Lustig, Donoho, Pauly, 2007; Yamamoto, Imai, Sano, Ohzeki, Matsuda, Tanaka, 2023),以及能够动态匹配信号特性的自适应稀疏基模型(Jiang, Tsafack, Boulila, Ahmad, & Barba-Franco, 2024)。近年来,深度学习技术进一步推动了这一领域的发展,诸如ReconNet和DR2-Net这类数据驱动模型可以直接从测量数据中学习非线性映射,从而获得更优的重建质量(Kulkarni, Lohit, Turaga, Kerviche, Ashok, 2016; Yao, Dai, Zhang, Zhang, Tian, Xu, 2019)。
关键局限:尽管取得了这些进展,但现有的基于压缩感知和深度学习的方法大多属于批量处理类型。它们通常需要完整的数据库来进行优化或离线训练,这限制了其在数据统计特性不断变化的实时流式环境中的应用。由于缺乏递归更新机制,传统的压缩感知框架并不适用于非平稳系统中的低延迟实时预测任务。
为了解决在线自适应的需求,核递归最小二乘法算法在再生核希尔伯特空间中运行,从而实现高效的递归参数更新(Zhao, Chen, Zhu, & Príncipe, 2013)。人们已经付出了大量努力来提升KRLS算法的鲁棒性和效率。例如,通过最大相关熵准则和鲁棒代价函数,提高了其对非高斯噪声的抵抗能力(Chen, Xing, Wang, Qin, Zheng, 2017; Santos, Barreto, 2017);而通过近似线性依赖和量化KRLS等字典稀疏化技术,则提升了计算效率(Chen, Zhao, Zhu, Principe, 2013; Engel, Mannor, Meir, 2004)。
关键局限:虽然这些改进版的KRLS算法实现了高效的在线学习,但它们通常依赖于仅关注数值线性依赖的“盲目”稀疏化策略。在KRLS相关研究中,几乎不存在显式的结构感知正则化机制。因此,当在强噪声环境下对字典进行过度剪枝时,这些方法往往无法保留重要的高频细节——比如图像中的边缘或混沌信号中的瞬态峰值——这就凸显出需要一种能够结合压缩感知的结构保真度与KRLS的在线效率的混合方法。
压缩感知与KRLS的互补特性使得将二者结合起来成为可能。然而,仅仅将两者简单组合是不够的,还必须考虑所保留信息的本质。在此需要明确的是,本文提出的“信息保留”概念不同于一般的稀疏性概念。在传统的在线学习中,稀疏化往往为了降低计算成本而随意丢弃系数,将较小的系数视为冗余信息,这有可能导致重要信号成分的丢失。相比之下,我们定义的“信息保留稀疏性”是一种能够有选择地保留那些对信号几何结构有贡献的核系数的机制。通过将总变分正则化与小波变换相结合,我们的方法能够区分结构信息(如图像中的边缘、混沌动力学中的瞬态峰值)与随机噪声。
基于这一思路,我们提出了CSKRLS框架。在每一轮迭代中,该框架首先解决一个结构化的稀疏重建子问题,以促进稳定性的系数更新,同时外部递归机制则确保快速的自适应能力。这样的设计使得算法即使在经过强烈压缩的情况下,仍能保持较高的结构保真度(即信息完整性)。
本文的主要技术贡献如下:
1. 新型在线框架(CSKRLS):我们提出了一种压缩感知核递归最小二乘斯框架,该框架将压缩感知优化步骤直接整合到递归更新过程中,从而弥合了基于批处理的压缩感知重建与在线核滤波之间的差距。
2. 信息保留型混合正则化:我们引入了一种结合小波域稀疏性和总变分正则化的混合正则化机制。与传统方法不同,该机制能够在逆核矩阵上实现结构感知型稀疏化,从而使模型能够有选择地保留关键特征(如几何边缘和动态瞬态),同时抑制噪声和冗余信息。
3. 加速型实时优化:我们基于加速的原始-对偶混合梯度框架开发了一种高效求解器。通过将Nesterov动量法引入原始变量更新过程中,该策略能够有效处理由总变分和小波正则化带来的非平滑约束,从而确保实时在线预测所需的低延迟。
4. 鲁棒性验证:通过在混沌时间序列(Mackey–Glass、Lorenz模型)和近场毫米波成像数据上的大量实验,验证了该方法的有效性。包括结构相似性指数和峰值信噪比在内的定量指标表明,与现有的KRLS算法相比,CSKRLS在结构保真度和抗噪声、抗欠采样能力方面都具有显著优势。
本文的其余部分结构如下:第2节回顾相关基础理论;第3节详细阐述所提出的CSKRLS框架及其优化方法;第4节展示实验结果及对比分析;最后,第5节对全文进行总结。
片段摘录
压缩感知与结构稀疏性
考虑一个高维信号x=[x1,x2,…,xN]T∈RN。在压缩感知理论中,信号的获取过程可以用线性测量算子Φ∈RM×N来描述,其中M???N,相应的测量结果为y=Φx,这里的y∈RM表示实际观测到的数据。
在适当的变换下,自然信号往往可以表示为稀疏或具有特定结构的形态。常用的两种稀疏性模型分别是合成模型和分析模型。
合成稀疏性模型:该模型将信号x表示为来自有限个原子组的线性组合。
提出的CSKRLS算法
本节将详细介绍所提出的CSKRLS算法。首先,我们会回顾经典的KRLS算法形式,并分析其在噪声环境下的局限性。随后,介绍一种应用于逆核矩阵的结构感知正则化策略,从而构建出一个具有鲁棒性的在线学习框架。最后,会对所提方法的计算复杂度进行分析。
实验结果
本节将对所提出的CSKRLS算法进行全面的实验评估。为确保评估的严谨性,实验安排如下:第4.1节介绍实验设置,包括基准数据集和硬件配置;第4.3节比较CSKRLS与现有最优KRLS算法以及压缩感知预测方法的性能;第4.4节分析该方法在噪声干扰和随机欠采样条件下的鲁棒性。
结论
本文提出了CSKRLS这一在线学习框架,它通过将混合压缩感知先验(?1和TV正则化)融入核递归最小二乘法中,从而在资源受限的情况下实现稳健的信号重建。在混沌基准测试以及真实的毫米波成像系统上的大量实验表明,CSKRLS在精度和抗噪声能力方面均显著优于现有的KRLS算法及传统压缩感知方法。尤为重要的是,尽管深度学习模型往往存在某些缺陷,但CSKRLS却展现出了更好的性能。