❶ 谁懂利用CVX优化方面的知识，比如简单说一下CVX的凸优化原理，或者提供一些资料，非常感谢，有用再加分

[ book-optimization.rar ] - 这是一本讲解最优化的书籍，是全英文的。这是一部经典的外国教材，对最优化问题阐述的非常之精辟 [ Optimal.rar ] - 几个 凸优化 函数，用于解决非约束和带约束条件的凸优化问题 [ stanford_convex_optimization_book.rar ] - 国外的经典的有关于 凸优化 数学方面的教材，值得研究有关优化方面的研究者学习 [ convex_analysis_foundation.zip ] - 凸分析基础 中文教材。纯粹这方面的资料不多（多为 凸优化 之类），中文的书籍更难找，有用该方面知识的同行多多交流。 [ ConvexOptimization.rar ] - 凸优化 问题经常出现在许多不同的领域。全面介绍了主题，这本书展示了如何解决这些问题都可以高效率地详细数字。其重点是识别凸优化问题，然后找到解决他们最合适的技术。文本包含许多实例和作业练习，并会提出问题，如工程，计算机科学，数学，统计，金融，经济领域的学生，研究者和实践者。 [ cvx .zip ] - 斯坦福大学凸规划的程序，很经典，多次在IEEE的文章中出现 [ convex_optimization.rar ] - 凸优化 程序包，包含各种凸优化算法,可供方便调用. [ signal_decomposition_by_bp.rar ] - 基于基追踪（basis pursuit）对信号进行稀疏表示的算法 [ cvx .zip ] - 凸规划建模系统,包含用户手册，有助于学习压缩感知。 [ grads.rar ] - 最优化理论与算法（第2版）这本书中的课后作业。用C 实现的一些具体算法。

❷ 请问稀疏成像里CVX是什么意思啊谢啦谢啦~~~~

CVX是一个用于求解凸优化问题的算法包，在matlab里用的。 CVX就是Convex的缩写

❸ 图像处理 非凸稀疏方面的资料

稀疏图像重构非凸Lp问题的分裂方法--《吉林大学学报(工学版)》
图像分割的变分正专则化模型—非凸属、稀疏理论与算法《西安电子科技大学》 2013年
基于稀疏先验的计算机试验元建模方法研究--《南京理工大学》2011年
最大化稀疏的凸优化_vimai_新浪博客
http://blog.sina.com.cn/s/blog_9361c4fa0101dsu7.html

❹ 稀疏表示中什么叫凸和非凸是什么意思

数学来中最优化问题的源一般表述是求取，使，其中是n维向量，是的可行域，是上的实值函数。
凸优化问题是指是闭合的凸集且是上的凸函数的最优化问题，这两个条件任一不满足则该问题即为非凸的最优化问题。

其中，是 凸集是指对集合中的任意两点，有，即任意两点的连线段都在集合内，直观上就是集合不会像下图那样有“凹下去”的部分。至于闭合的凸集，则涉及到闭集的定义，而闭集的定义又基于开集，比较抽象，不赘述，这里可以简单地认为闭合的凸集是指包含有所有边界点的凸集。
实际建模中判断一个最优化问题是不是凸优化问题一般看以下几点：

目标函数如果不是凸函数，则不是凸优化问题
决策变量中包含离散变量（0-1变量或整数变量），则不是凸优化问题

约束条件写成时，如果不是凸函数，则不是凸优化问题
之所以要区分凸优化问题和非凸的问题原因在于凸优化问题中局部最优解同时也是全局最优解，这个特性使凸优化问题在一定意义上更易于解决，而一般的非凸最优化问题相比之下更难解决。

非凸优化问题如何转化为凸优化问题的方法：
1）修改目标函数，使之转化为凸函数
2）抛弃一些约束条件，使新的可行域为凸集并且包含原可行域

❺ 如何学习凸优化课程

[book-optimization.rar]-这是一本讲解最优化的书籍，是全英文的。这是一部经典的外国教材，对最优化问题阐述的非常之精辟[Optimal.rar]-几个凸优化函数，用于解决非约束和带约束条件的凸优化问题[stanford_convex_optimization_book.rar]-国外的经典的有关于凸优化数学方面的教材，值得研究有关优化方面的研究者学习[convex_analysis_foundation.zip]-凸分析基础中文教材。纯粹这方面的资料不多（多为凸优化之类），中文的书籍更难找，有用该方面知识的同行多多交流。[ConvexOptimization.rar]-凸优化问题经常出现在许多不同的领域。全面介绍了主题，这本书展示了如何解决这些问题都可以高效率地详细数字。其重点是识别凸优化问题，然后找到解决他们最合适的技术。文本包含许多实例和作业练习，并会提出问题，如工程，计算机科学，数学，统计，金融，经济领域的学生，研究者和实践者。[cvx.zip]-斯坦福大学凸规划的程序，很经典，多次在IEEE的文章中出现[convex_optimization.rar]-凸优化程序包，包含各种凸优化算法,可供方便调用.[signal_decomposition_by_bp.rar]-基于基追踪（basispursuit）对信号进行稀疏表示的算法[cvx.zip]-凸规划建模系统,包含用户手册，有助于学习压缩感知。[grads.rar]-最优化理论与算法（第2版）这本书中的课后作业。用C实现的一些具体算法。

❻ 英语专业翻译

1 前 言
到达方向（DOA）估计问题在阵列信号处理、传感器网络、遥感等方面受到了广泛的研究。用多个传感器、广义互相关（GCC）、最小方差无失真响应（MVDR）和多信号分类（MUSIC）算法确定DOA是常用的[1]。通过构建，所有这些方法都要求接收信号的奈奎斯特率取样来估计角度空间的小数量的DOA，这在像雷达或射电天文学之类的某些应用中是非常昂贵的。作为一个例子，旧金山东北的Allen望远镜阵列具有从0.5到11.2 GHz的频率覆盖，用于科学研究。在本文中，我们提出了一种方法，这种方法取很小一组提供信息的测量值就能让我们仍然可以估计DOA。
在压缩传感（CS）方面的最近结果说明，有可能从O（K log N）测量值重构一个长度为N的K-稀疏信号 [2]。CS取非传统的随机化投影形式的线性测量值 。在变换域 有稀疏表示的信号 可以通过解以下形式的凸优化问题，确实以高的概率，由 压缩测量值重构。
使服从
这可以用线性编程有效地解决。
我们用基追踪（basis pursuit）策略，作为一个词典选择问题来公式化DOA估计问题，在词典选择问题中，词典项（dictionary entry）通过离散化角度空间，然后对每个离散角度合成传感器信号而产生。在角度空间中的稀疏性意味着，要与测量值匹配将只需要很少几个词典项。根据CS的结果，应该有可能由M压缩测量值重构稀疏的词典－选择器矢量。请注意，我们不直接取角度空间矢量的压缩测量值（随机投影）。反之，我们只能取传感器处接收信号的随机投影，但是我们有一个模型，用于作为来自不同角度的多个源信号的，被延迟的和加权的结合的这些（投影）。

❼ 稀疏表示分类是一种分类器还是一中将为算法

准确地说，是一种分类器算法。


稀疏表示分类器


稀疏表示可作为基础理论用于构建稀疏表示分类器(Sparse Representation Classifier, SRC)。SRC 假定当测试样本所在类的训练样本数足够多时，测试样本可由这些训练样本进行线性表示，而其它类的样本对重构该测试样本的贡献为 0，从而将一般信号的分类问题转化为了一种稀疏表示问题。大量实验证明，这类分类器能够较好地应用于图像分类和目标跟踪问题。Wright 指出 SRC 对数据缺损不敏感，当所求系数足够稀疏时，特征空间的选取变得不再重要；这些优势使得 SRC成为一种非常优秀的分类算法。虽然大量实验证明基于SRC是一种具有潜力的图像分类器，但近期一些文献[20][21]指出，对于小样本分类问题，系数的稀疏性对分类准确率并没有实质的帮助。针对此题，Huang等在文献[4]中指出结合线性判别分析技术能够提升类间的区分度，提升稀疏分类效果。Shenghua等在文献[22]中成功将核函数(Kernel)技巧与稀疏分类结合在了一起，此文献提出了基于Feature-Sign Search(FSS)的核函数稀疏分类(KSRC)算法并将其成功应用于人脸识别问题中。然而，Cuicui Kang等在文献[6]中指出使用FSS方法求取KSRC中凸优化问题的效率较低，此文献提出了核函数坐标下降法(KCD)用以求解凸优化问题，并结合LBP特征构建了人脸识别系统。

❽ 英语翻译，用翻译软件的请勿回答！！

在CS理论框架中，知道信号稀疏度可以允许由数量少的测量值进行信号重构。在阵列信号处理框架中，这意味着，知道空间信号的稀疏度就可用短的传感器阵列达到高的象限角分辨率。我们对压缩传感的空间解释与文献[27]-[29]中的先导结果有关，其中，为了到达估计的方向问题提出了压缩波束形成。不过这些研究和大多数已发表的论文一样，研究的是被接收信号的时间稀疏度。
本文的组织如下。由压缩传感理论得到的结果被归纳在第2节中。所着重解决的问题在第3节中用公式加以描述。用于场方向性估计的空间压缩取样方法在第4节中介绍。所提出的基于空间CS的方法在第5节中通过仿真进行了评价。我们的结论则归纳在第6节中。
2 压缩传感
本小节归纳了CS理论的符号表示及其主要结果[15]-[26]。CS理论着重解决这在解决中的问题和噪声问题：

式中Φ为一个已知的尺度为M×N（M＜N）的已知传感矩阵。CS理论的主要目标是恢复长度为N的信号 ，形成长度为M的，受到白零均值高斯噪声w(具有协方差矩阵Γw= )污染的测量值 。这一提法不当的问题的解只有在信号x的某些性质可得到考虑时才有可能[17]。CS理论认为信号x在某种高阶稀疏基础 中是“稀疏的”或“可压缩的”，提供了以下的表示式：

式中，稀疏度基础矩阵Ψ的列是来自稀疏度基础的矢量，而尺度N×1的稀疏度矢量的系数d只包含J＜＜N的非零元素。
传感矩阵Φ被认为以J-受约束等距常数δJ遵循RIP，这是对于任何J-稀疏信号满足式（3）的最小值：

对于式（1）的噪声情况，适用于任何信号x的通用估计量（不一定是稀疏的）在文献[20],[21]中做了介绍，其凸优化如下：

式中 。已经证明，假设 1，那么此估计量的性能被约束如下：

式中xj为一个纯的J-稀疏信号，这里的常数c0和c1表现良好而且较小。请注意，这一结果告诉我们，当信号x为j-稀疏时，估计误差只受噪声w的能量的约束。
这一框架为传感矩阵Φ的设计提供了一个机会[17]。人们应该发现遵循RIP并允许从M个测量值恢复信号x尽可能多的元件的传感矩阵。在文献[18]和[19]中提出的RIP与稀疏度和测量低沉音之间的不相干性密切相关，从而为获得满足它的传感矩阵提供了一种高效的方法。在文献[23]中证明了，不相干性性质可以允许用传感矩阵从第二个不相干的基础准确地重构在一个基础上是稀疏的信号。文献[23]证明了，通过傅里叶变换相关的规范正交的低沉音的时间－频率对是高度不相干的。而且还证明了，尖峰和复杂正弦波的时间－频率对产生相互最不相干的对，从而提供了最好的稀疏度条件。这一性质被用到了文献[19]和[23]中，以证明，如果考虑信号x在尖峰基础上是稀疏的，那么用于这一恢复（用具有M行均匀选择行的复杂正弦波的部分傅立叶矩阵）所需的测量的最小数目应该为 M ≥ c2 J/(log N)4 .。