Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Maximum Likelihood Estimation Based on Random Subspace EDA: Application to Extrasolar Planet Detection Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Knee Point Driven Particle Swarm Optimization Algorithm for Sparse Reconstruction

verfasst von : Caitong Yue, Jing Liang, Boyang Qu, Hui Song, Guang Li, Yuhong Han

Erschienen in: Simulated Evolution and Learning

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Sparse reconstruction is a technique to reconstruct sparse signal from a small number of samples. In sparse reconstruction problems, the sparsity and measurement error should be minimized simultaneously, therefore they can be solved by multi-objective optimization algorithms. Most multi-objective optimizers aim to obtain the complete Pareto front. However only solutions in knee region of Pareto front are preferred in sparse reconstruction problems. It is a waste of time to obtain the whole Pareto front. In this paper, a knee point driven multi-objective particle swarm optimization algorithm (KnMOPSO) is proposed to solve sparse reconstruction problems. KnMOPSO aims to find the local part of Pareto front so that it can solve the sparse reconstruction problems fast and accurately. In KnMOPSO personal best particles and global best particle are selected with knee point selection scheme. In addition, solutions which are more likely to be knee points are preferred to others.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Sparse Restricted Boltzmann Machine Based on Multiobjective Optimization
Nächstes Kapitel Multivariant Optimization Algorithm with Bimodal-Gauss
Literatur
1.
Candès, E.J., Romberg, J., Tao, T.: Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information. IEEE Trans. Inf. Theory 52, 489–509 (2006)MathSciNetCrossRefMATH
2.
Lu, X., Li, X.: Group sparse reconstruction for image segmentation. Neurocomputing 136, 41–48 (2014)CrossRef
3.
Shi, Y., Gao, Y., Liao, S., Zhang, D., Gao, Y., Shen, D.: A learning-based CT prostate segmentation method via joint transductive feature selection and regression. Neurocomputing 173, 317–331 (2016)CrossRef
4.
Xu, Y., Zhang, D., Yang, J., Yang, J.Y.: A two-phase test sample sparse representation method for use with face recognition. IEEE Trans. Circ. Syst. Video Technol. 21, 1255–1262 (2011)MathSciNetCrossRef
5.
Coello, C.A.C.: Treating constraints as objectives for single-objective evolutionary optimization. Eng. Optim.+A35 32, 275–308 (2000)CrossRef
6.
Li, L., Yao, X., Stolkin, R., Gong, M., He, S.: An evolutionary multiobjective approach to sparse reconstruction. IEEE Trans. Evol. Comput. 18, 827–845 (2014)CrossRef
7.
Deb, K., Pratap, A., Agarwal, S., Meyarivan, T.: A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 6, 182–197 (2002)CrossRef
8.
Li, H., Su, X., Xu, Z., Zhang, Q.: MOEA/D with iterative thresholding algorithm for sparse optimization problems. In: Coello, C.A.C., Cutello, V., Deb, K., Forrest, S., Nicosia, G., Pavone, M. (eds.) PPSN 2012. LNCS, vol. 7492, pp. 93–101. Springer, Heidelberg (2012). doi:10.​1007/​978-3-642-32964-7_​10 CrossRef
9.
Zhang, Q., Li, H.: MOEA/D: a multiobjective evolutionary algorithm based on decomposition. IEEE Trans. Evol. Comput. 11, 712–731 (2007)CrossRef
10.
Zhang, C., Tan, K.C., Gao, L., Wu, Q.: Multi-objective evolutionary algorithm based on decomposition for engineering optimization. J. Zhengzhou Univ. (Eng. Sci.) 36, 38–46 (2015)MathSciNet
11.
Zhang, X., Tian, Y., Jin, Y.: A knee point-driven evolutionary algorithm for many-objective optimization. IEEE Trans. Evol. Comput. 19, 761–776 (2015)CrossRef
12.
13.
14.
Yan, X., Yan, J., Feng, Y.: Gradient and particle swarm optimization based hierarchical cluster algorithm in WSN. J. Zhengzhou Univ. (Eng. Sci.) 2, 007 (2016)
15.
Branke, J., Deb, K., Dierolf, H., Osswald, M.: Finding knees in multi-objective optimization. In: Yao, X., Burke, E.K., Lozano, J.A., Smith, J., Merelo-Guervós, J.J., Bullinaria, J.A., Rowe, J.E., Tiňo, P., Kabán, A., Schwefel, H.-P. (eds.) PPSN 2004. LNCS, vol. 3242, pp. 722–731. Springer, Heidelberg (2004). doi:10.​1007/​978-3-540-30217-9_​73 CrossRef
16.
Xu, Z., Chang, X., Xu, F., Zhang, H.: L\(_{1/2}\) regularization: a thresholding representation theory and a fast solver. IEEE Trans. Neural Netw. Learn. Syst. 23, 1013–1027 (2012)CrossRef
17.
Clerc, M., Kennedy, J.: The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE Trans. Evol. Comput. 6, 58–73 (2002)CrossRef
18.
Mallat, S.G., Zhang, Z.: Matching pursuits with time-frequency dictionaries. IEEE Trans. Signal Process. 41, 3397–3415 (1993)CrossRefMATH
19.
Tropp, J., Gilbert, A.C.: Signal recovery from partial information via orthogonal matching pursuit. IEEE Trans. Inf. Theory 53, 4655–4666 (2007)CrossRefMATH
20.
Malioutov, D.M., Cetin, M., Willsky, A.S.: Homotopy continuation for sparse signal representation. In: 2005 IEEE International Conference on Proceedings of Acoustics, Speech, and Signal Processing (ICASSP 2005), pp. 733–736. IEEE (2005)
21.
Li, H., Fan, Y., Zhang, Q., Xu, Z., Deng, J.: A multi-phase multiobjective approach based on decomposition for sparse reconstruction. In: IEEE Congress on Evolutionary Computation, pp. 601–608. IEEE (2016)
Metadaten
Titel
A Knee Point Driven Particle Swarm Optimization Algorithm for Sparse Reconstruction
verfasst von
Caitong Yue
Jing Liang
Boyang Qu
Hui Song
Guang Li
Yuhong Han
Copyright-Jahr
2017
Buch
Simulated Evolution and Learning

Print ISBN: 978-3-319-68758-2

Electronic ISBN: 978-3-319-68759-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68759-9_74