基于改进后StOMP算法的异常值剔除

StOMP算法非常适合系数向量估计中的大规模证据不足的应用。可以减低计算复杂度,同时具备有吸引力的渐近线的统计特性。但是,预估速度的提升是以准确性为代价的。清华大学自动化系周彤教授带领研究人员对StOMP算法进行了改善,使其在大规模证据不足的问题中更高效的找出稀疏解。与改进前的StOMP算法相比,改进后的算法不仅能更准确的评估匹配滤波器系数扰动的参数,而且还可以提高稀疏向量自身的预估准确性。通过稀疏向量近似恢复的大型系统限制评估,改进后的算法比StOMP算法更为高效。通过模拟数据的计算发现,在计算机时没有显著增加时,改进后的算法能很大的提高预估准确性。该研究刊登在20149月的《SCIENCE CHINA Information Sciences》杂志上。

参考文献:

Outlier deletion based improvement on the StOMP algorithm for sparse solution of large-scale underdetermined problems.ZHANG WanHong,et al.  SCIENCE CHINA Information Sciences. 2013 Sep

作者简介:

周彤:北京清华大学自动化系教授,自动化系学术委员会主席。清华973国家重点基础研究发展计划项目《基于新一代测序的生物信息学理论与方法》第四课题组学术骨干。研究方向包括:多维系统极限性能分析与综合;基因调控的网络模型构建及干预机理研究;鲁棒控制理论及工程应用;系统辨识理论及工程应用。