[发明专利]一种数据去噪的方法及装置

权利要求书

1.一种数据去噪的方法，其特征在于，包括：

将输入为矩阵表示的数据集转换为离散集表示；

将离散集表示的数据分解成若干个不存在交集的子集；

将需要去噪的数据作为输入，代入携带有全变差TV范数的模型；

根据预置变量分解策略，将所述携带有全变差TV范数的模型进行变换；

基于交替方向乘子法ADMM算法，将变换后的模型进行重构转换；

并行化迭代求解重构转换后的模型，得到去噪后的数据；

其中，所述携带有全变差TV范数的模型如下：

其中，||.||_F与||.||_TV分别表示Frobenius范数与TV范数，λ为正参数，X∈R^m*n为待定的去噪后的数据矩阵，矩阵Y∈R^m*n为原始噪声数据，m,n均为正整数；

其中，所述根据预置变量分解策略，将所述携带有全变差TV范数的模型进行变换，包括：将所述携带有全变差TV范数的模型中的TV范数项分解为若干项，其中，每一项中的每个组成元素均不耦合于其所在所述子集中的其它组成元素；将分解后的携带有全变差TV范数的模型进行变换；所述若干项的数量与所述若干个的数量相同。

2.根据权利要求1所述的方法，其特征在于，所述并行化迭代求解重构转换后的模型，得到去噪后的数据之前，包括：

将重构转换后的模型转换成相应的增广拉格朗日优化问题。

3.根据权利要求2所述的方法，其特征在于，所述并行化迭代求解重构转换后的模型，得到去噪后的数据，包括：

迭代求解转换后的所述增广拉格朗日优化问题，获取到相对应的输出矩阵，对所述输出矩阵进行格式转换，得到去噪后的数据。

4.根据权利要求3所述的方法，其特征在于，所述并行化迭代求解重构转换后的模型，得到去噪后的数据，包括：

利用ADMM算法，迭代求解转换后的所述增广拉格朗日优化问题，并行求解出变量因子以及相对应的输出矩阵；

对所述输出矩阵进行格式转换，得到去噪后的数据。

5.一种数据去噪的装置，其特征在于，包括：

分解模块，用于将输入为矩阵表示的数据集转换为离散集表示，将离散集表示的数据分解成若干个不存在交集的子集；

输入模块，用于将需要去噪的数据作为输入，代入携带有全变差TV范数的模型；

变换模块，用于根据预置变量分解策略，将所述携带有全变差TV范数的模型进行变换；其中，所述变换模块具体用于：将所述携带有全变差TV范数的模型中的TV范数项分解为若干项，其中，每一项中的每个组成元素均不耦合于其所在所述子集中的其它组成元素；将分解后的携带有全变差TV范数的模型进行变换；所述若干项的数量与所述若干个的数量相同；

重构模块，用于基于交替方向乘子法ADMM算法，将变换后的模型进行重构转换；

迭代输出模块，用于并行化迭代求解重构转换后的模型，得到去噪后的数据；

其中，所述携带有全变差TV范数的模型如下：

其中，||.||_F与||.||_TV分别表示Frobenius范数与TV范数，λ为正参数，X∈R^m*n为待定的去噪后的数据矩阵，矩阵Y∈R^m*n为原始噪声数据，m,n均为正整数。

6.根据权利要求5所述的装置，其特征在于，所述重构模块还用于：

将重构转换后的模型转换成相应的增广拉格朗日优化问题。

7.根据权利要求6所述的装置，其特征在于，所述迭代输出模块具体用于：

迭代求解转换后的所述增广拉格朗日优化问题，获取到相对应的输出矩阵，对所述输出矩阵进行格式转换，得到去噪后的数据。

8.根据权利要求6所述的装置，其特征在于，所述迭代输出模块具体用于：

利用ADMM算法，迭代求解转换后的所述增广拉格朗日优化问题，并行求解出变量因子以及相对应的输出矩阵；对所述输出矩阵进行格式转换，得到去噪后的数据。