凸优化是数学最优化的一个子领域,研究定义于凸集中的凸函数最小化问题。由于心电信号降噪的过程可以理解为求信号的稀疏近似解,因此基于凸优化和稀疏性表达的去噪方法可用于心电信号处理。在凸优化的数学模型中,惩罚项的选取对最终结果会产生较大影响。1范数作为惩罚项是产生稀疏近似解的一个较为广泛的选择。在1范数的基础上,广义极大极小凹罚函数能够进一步提高解的稀疏性,大大提高降噪效果,而且还能够避免产生局部最小值,更容易使所得到的解达到全局最优。因此,采用基于GMC的凸优化方法对心电信号进行降噪处理,创新运行环境为MATLAB R2021B。
function
% [x, v] = srls_GMC(y, A, AH, rho, lam, gamma)
% Saddle point problem:
%
% argmin_x argmax_v { F(x,v) =
% 1/2 ||y - A x||^2 + lam ||x||_1 - gamma/2 ||A(x-v)||_2^2 - lam ||v||_1 }
%
% INPUT
% y data
% A, AH operators for A and A^H
% rho rho >= maximum eigenvalue of A^H A
% lam regularization parameter, lam > 0
% gamma 0 <= gamma < 1
%
% OUTPUT
% x, v
MAX_ITER = 10000;
TOL_STOP = 1e-4;
% soft thresholding for complex data
soft = @(x, T) max(1 - T./abs(x), 0) .* x;
% soft thresholding for real data
% soft = @(t, T) max(t - T, 0) + min(t + T, 0);
% rho = max(eig(A'*A));
mu = 1.9 / ( rho * max( 1, gamma / (1-gamma) ) );
AHy = AH(y);
% initialization
x = zeros(size(AHy));
v = zeros(size(AHy));
iter = 0;
old_x = x;
delta_x = [inf];
while (delta_x(end) > TOL_STOP) && (iter < MAX_ITER)
iter = iter + 1;
% update x
zx = x - mu * ( AH(A(x + gamma*(v-x))) - AHy );
zv = v - mu * ( gamma * AH(A(v-x)) );
% update v
x = soft(zx, mu * lam);
v = soft(zv, mu * lam);
delta_x(iter) = max(abs( x(:) - old_x(:) )) / max(abs(old_x(:)));
old_x = x;
%完整代码:https://mbd.pub/o/bread/mbd-ZZaZmZZs
end
工学博士,担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家,擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。