原载 http://blog.sina.com.cn/s/blog_729a92140101pzbh.html 从“Donoho”起而很注意 2013年的 邵逸夫奖,不因为那是华人给了美国科学家的价值高达百万美元的大奖,而是因为获奖者的《自我介绍》( Autobiography,2013-09-23,香港),提到了小波和最佳降噪(optimally denoise, …, I used wavelets to optimally remove noise from certain kinds of signals and images),而且有些还涉及到了“灵感、激励”的问题(inspired me (age 21!). I was inspired!)。挺“可爱”的。 尤其引人注目的是:《自我介绍》共有12个段落,其中的10段落,都反复提到了基于“l1范数” ( l1-norm minimization,l1-minimization)的优化问题,甚至有时直接地针对了“残差的l2范数”做比较 (by minimizing the l1 norm of residuals rather than the l2 norm)。 还没有去查,Dr.Donoho的l1- 最小化的细节。这里,不妨假设,其用法与普通用法有共同之处,这正如,其降噪方法中的小波系数的皱缩,与FFT域镶边滤波、数据低秩逼近(包括降噪)中的奇异值截断技术,是相通的。不管Dr.Donoho的l1-最小化,其实质和应用形式,与人们常说的“l1范数”的精确关系如何,那些字面就都提醒了居士一个问题: 在评估小波皱缩降噪法的性能时,用“误差的 l1范数”,结论是否会明显有利于wden和Donoho阈值呢 ? 由于l2范数以其较明晰的欧氏几何含义和物理背景,例如与能量、标准差、均方根的联系,而被广泛应用。简易门限处理中的“能量Power”,明显带着l2范数的意义。在《当分尺度的简易门限的降噪法直面经典时》(2014-05-25)的程序中,由norm(xd-x)得降噪处理后的误差序列的范数,由norm(xn-x)得降噪前的误差序列的范数,用它们的比值作为评价指标,这里的序列xd是把xn做降噪后的输出结果。使用的Matlab的函数norm在像这样只有一个输入时,默认l2范数。 《经典阈值不分软硬而依赖于尺度给降噪带来混乱》(2014-05-18)等的那些结果,不令人愉快。依据定理、确界等繁琐形式,导致的“最佳解”或“自适应性”,反而落得了更多麻烦。例如,在处理wnoise的信号时,用rigrsure,对分解深度条件更敏感,这就多引入一个麻烦;如果,在非per模式下用wden式的分尺度处理,那么,系数序列的长度的含义和噪声方差,也必须“近似”。以前提到的在居士的程序中的烦人“警告”,正对应了以rigrsure做分尺度处理时的一个失败点。这些日子里,居士也总想从前面的试验中挑毛病,以用更充分的试验否定那些结论。 附带强调:不能把基于SURE的降噪的自身病态,误认为最小周期化变换模式及其深分解的理论障碍;把“深分解”视为不合理,也就抹杀了小波包变换可实现的频率分辨率;否定了能量守恒(如傅立叶变换中的帕斯瓦尔定律;Matlab的dwtmode的小波变换的zpd模式,不需“重复边界数据(与补零相比,有趣的处理)”的per模式)的变换,加之具有世界影响的软件平台的默认选择的Shannon熵的计算程序的失误,也就很大程度上摧毁了小波包的研究。但愿,居士个人全自费,通过博文做的研讨,有积极意义。 Matlab的函数norm,如果有第二个输入,即用norm(xn-x,p)和norm(xd-x,p)时,可给出lp范数(Matlab的帮助文档称p-norm)的结果,用于评估降噪性能。在上面提到的程序中改用l1范数,并将最后显示的MeanAndStd特别地更名为Error_l1_norm_Ratio_MeanAndStd,再运行,可见如下图片中的结果。这里,与wden的结果比,简易的能量门限降噪的结果,看起来仍然更好些。 新浪赛特居士SciteJushi-2014-05-30。