非凸正则化稀疏降秩回归

很容易说，上公式化的SRRR问题确实可以利用B中的群稀疏结构，并且非凸函数ρGM（| x |）比凸函数表现出更好的性能。0 30 50 100 150 200 250 300样品数量0.10.20.30.40.50.60.70.80.9图。5、基于平均角度的估计精度。五、 结论本文考虑了SRRR模型的估计问题。在考虑正交约束的情况下，用群稀疏惩罚最小化最小二乘损失。提出了一种非凸非光滑稀疏函数。基于交替极小化方法、优化极小化方法和非凸重分布方法，开发了高效算法，变量以闭合形式更新。数值模拟表明，与ebenchmarks算法相比，所提出的alg算法更有效，非凸正则化器的性能优于convexone算法。参考文献[1]T.W.Anderson，“估计多元正态分布回归系数的线性限制”，《数理统计年鉴》，第327–3511951页。[2] 安德森主编，《多元统计分析导论》。威利，1984年。[3] A.J.Izenman，“多元线性模型的降阶回归”，《多元分析杂志》，第5卷，第2期，第248-264页，1975年。[4] M.Viberg、P.Stoica和B.Ottersten，“使用参数化信号的空间相关噪声场中的最大似然阵列处理”，IEEE信号处理交易，第45卷，第4期，第996–10041997页。[5] P.Stoica和M.Jansson，“MIMO系统识别：状态空间和子空间近似与传递函数和辅助变量”，IEEE信号处理交易，第48卷，第11期，第3087–30992000页。[6] J.H.Manton和Y。

Hua，“卷积降秩维纳滤波”，在Proc。2001年IEEE声学、语音和信号处理国际会议（ICASSP\'01），第6卷。IEEE，2001年，第4001-4004页。[7] E。Lindskog和C.Tidestav，“降秩信道估计”，在Proc。1999年IEEE第49届车辆技术会议，第2卷。IEEE，1999年，第1126-1130页。[8] Y.Hua、M.Nikpour和P.Stoica，“最优降秩估计和滤波”，IE信号处理交易，第49卷，第3期，第457–4692001页。[9] M.Ni coli和U.Spagnolini，“时隙移动通信系统的降秩信道估计”，IEEETransactions on Signal Processing，vol.53，no.3，pp.926–9442005。[10] G.Zhou，“小样本秩t测试及其在资产定价中的应用”，《实证金融杂志》，第2卷，第1期，第71-93页，1995年。[11] P.Bekker、P.Dobbelstein和T.Wansbeek，“作为降阶回归的APT模型”，《商业与经济统计杂志》，第14卷，第2期，第199–202页，1996年。[12] Z.Zhao和D.P.Palomar，“稀疏向量误差校正模型的鲁棒最大li-kelihood估计”，在Proc。2017年第五届IEEE全球信号和信息处理会议，加拿大QB蒙特利尔，2017年11月，第913-917页。[13] -，“具有预算约束的均值回复投资组合”，IEEE信号处理交易，第99卷，第12018页。[14] R.Velu和G.C.Reinsel，《多元降秩回归：理论与应用》。Springer Science&BusinessMedia，2013年，第136卷。[15] L.Chen和J.Z.Huang，“同时降维和变量选择的稀疏降秩回归”，《美国统计协会杂志》，第107卷，第500期，第1533-15452012页。[16] M.Yuan和Y。

Lin，“分组变量回归中的模型选择和估计”，《皇家统计学会杂志：B辑（统计方法学）》，第68卷，第1期，第49-67页，2006年。[17] D.P.Bertsekas，《非线性规划》。雅典娜科学贝尔蒙特，1999年。[18] J.Fan和R.Li，“通过非CAVE惩罚可能性进行变量选择及其oracle属性”，《美国统计协会杂志》，第96卷，第456期，第1348-13602001页。[19] Y.Sun、P.Babu和D.P.Palomar，“信号处理、通信和机器学习中的优化最小化算法”，IEEE信号处理交易，第65卷，第3期，第794-816页，2016年8月。[20] Q.Yao和J.T.Kwok，“通过非凸再分配使用非凸正则化器进行有效学习。”《机器学习研究杂志》，2018年。[21]F.Bach，R.Jenatton，J.Mairal，G.Obozinski等人，《稀疏诱导惩罚优化》，《基础与趋势》 《机器学习》，第4卷，第1期，第1-106页，2012年。[22]D.Geman和G.Reynolds，“受限恢复和不连续性恢复”，IEEE模式分析和机器智能交易，第14卷，第3期，第367–383页，1992年。【23】J.C.Gower和G.B.Dijksterhuis，P.rocrustes问题。牛津大学出版社，2004年，第3卷。【24】M.Hong、M.Razaviyayn、Z.-Q.Luo和J.-S.Pang，“涉及大数据的块结构优化的统一算法框架：在机器学习和信号处理中的应用”，《IEEE信号处理杂志》，第33卷，第1期，第57-77页，2016年。【25】N.Parikh，S.Boyd等人，《近端算法》，《基础与趋势》 《优化》，第1卷，第3期，第127-2392014页。