.png){kind=icon}
返回
Nonlinear Elastic-Net Regularization and Its Iterative Soft Thresholding Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1515/cmam-2024-0176.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
弹性网正则化作为一种变分方法，与经典的 & ell; 1 {\ell_{1}} 稀疏正则化相比，表现出增强的稳定性，使其适用于解决病态问题。然而，传统的弹性网正则化通常仅限于线性方程。在本文中，我们将弹性网正则化方法扩展到非线性问题。我们研究了该正则化的适定性，并证明它是一种稀疏正则化方法。迭代软阈值算法是经典 & ell; 1 {\ell_{1}} 稀疏正则化中常用的算法，其结构简单且易于实现。我们证明，在关于函数 F 的非线性性的广泛接受条件下，该算法在求解非线性病态方程的弹性网正则化时是有效的。我们的数值结果突显了所提出方法的有效性。
Keyword:
Sparsity Regularization
Elastic-Net Regularization
Nonlinear
Generalized Conditional Gradient Method
期刊
C
IF:
1.2
论文数:
21
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Sparsity-promoting elastic net method with rotations for high-dimensional nonlinear inverse problem
OAAI
OAAI分享收藏A generalized conditional gradient method for nonlinear operator equations with sparsity constraints
PREAI
分享收藏$ \newcommand{\e}{{\rm e}} {\alpha\ell_{1}-\beta\ell_{2}}$ regularization for sparse recovery$ \newcommand{\e}{{\rm e}} {\alpha\ell_{1}-\beta\ell_{2}}$ 正则化用于稀疏恢复
PREAI
分享收藏
查看更多内容