K-SVD是一個用于稀疏表示的字典學習算法，是一個迭代算法，是K-Means算法的泛化。

對于問題(1)

K-SVD的算法流程如下：

I)固定字典，利用追蹤算法(Pursuit Algorithm)求得(近似)最優的系數矩陣；

II)每次更新一個列(用SVD求解)，固定字典的其它所有的列。計算新的列及其相對應系數，使得問題(1)最小化；

III)重復I)、II)直至收斂。

接下來我們會詳細的討論K-SVD算法：

在稀疏編碼階段，固定字典，問題(1)的懲罰項可以重寫為

那么問題(1)可以被分解為個獨立的問題

這個問題可以用OMP、BP、FOCUSS等追蹤算法(Pursuit Algorithm)算法求解(這也體現了K-SVD算法的靈活性；FOCUSS能夠得到更好地解，但OMP在保證比較好的解的同時，效率更高)，并且如果足夠小，我們就可以得到非常好的近似最優解。

第二階段(更新字典的列)會稍微復雜一點，假設固定和，只關注字典的某一列及其相應的系數(系數矩陣的第行)，問題(1)的懲罰項可以重寫為問題(2)

其中，假設項是固定的，我們要更新的是第項，矩陣表示除去第個字典項后的所有的個樣本的誤差。

也許有人會嘗試利用SVD得到可選的和，盡管SVD能夠有效的最小化上式誤差，但是由于我們沒有設置稀疏約束，所以新的向量會幾乎被填滿。

有一個簡單直觀的方法可以解決上面問題。

定義存儲用到字典項的樣本索引，也就是的非零索引，即：

定義大小為的矩陣，矩陣元素為1，其他矩陣元素均為0。

定義向量(長度為)即只保留系數中的非零值，矩陣(大小為)，矩陣(大小為)，即只保留與中非零位置相對應的那些列。

現在回到問題(2)，由于有跟相同的支持度，所以問題(2)等價于問題(3)

現在可以直接用SVD解決問題(3)，得到。最終我們得到的第一列為，乘以為。

此解決方案必須滿足兩個條件：i)的列保持規范化；ii)所有表示的支持度保持不變或者變小。

字典列的更新與稀疏表示系數更新結合在一起加快了算法的收斂。

下圖截自原論文，其中詳細描述了K-SVD算法。

總結

K-SVD一般用在字典學習中，是K-means的擴展形式。

為何叫K-SVD，是因為在字典的K個代表中，求解的時候才用的是SVD分解

下面講講K-SVD的核心

我 們在sparse?representation中知道，||Y-Dx||^2，||x||的0范都足夠最小的時候，就是表示我們的字典D最好的時候，其 含義就是我要尋找字典D，并且x中的每個向量要足夠稀疏，使得Y能夠被字典D在一定的誤差內給表示出來。這個就是核心。（當然，在訓練D的時候，有人會 想，我就用訓練集Y來代替字典不就可以了嗎？是可以，但是這樣在你以后用字典重構其他數據的時候，計算時間會很高，所以為何要減少D中的數量，以典型的代 表來代表這個字典）。

我們假設dj為D中的第j個向量，那么我們的思想是一次我就優化一個字典向量，優化完了就優化第二個，然后再迭代上面的步驟，一直到誤差小于某個范圍的時候就可以了。

那么我們的式子可以描述為?minimize||Y-SUM(j=1?to?k?(?dj?*?xjt?))||,其中xjt表示X中的第j行

設Q=Y-(D-di*xit)，那么上面可以描述為||Q-?di*xit||，那么到這里就基本上差不多了。

怎么更新di和xi呢

可以對Q進行SVD分解，分解為UEV的形式，然后將U的第一列（類似于最大主元）給di,將E的第一個奇異值乘以V的第一行元素賦值給xi，然后按照上述方法更新下一個d和x

但 是這里我們要注意，我們必須要是xi滿足稀疏，那么我們這里要做一些處理，以xi的非零元素的位置構建一個矩陣，矩陣為N*M（M是xi的非零元素的個 數，N為字典中每個向量的維數）的O矩陣，然后將一Y,Pi,xi更新為Y*O,?Pi*O,xit*O,得到新的||Q-di*xit||，這個時候在 才用上面的SVD即可，

這里談下為什么，上面乘以O的操作其實就是把字典中沒有做貢獻的向量給移除掉，從而將字典空間和xi都縮減了，這樣就不會造成直接分解之前的Q的時候種V的行向量不是稀疏的性質了。

至 于為何要選用SVD，當你把SVD的最大的特征值對應的U，V向量取出來的時候，相當于一個列向量乘以一個行向量，在乘上大小?，是不是很類似與LSA， 而且就滿足了dj和xjt相乘的形式。還有一個感性的認識就是，既然要減小||Q-?di*xit||，那么只需要當di，xit等于最大的左特正向量和 右特征向量的時候，就代表了最大的接近去Q的形式了，是不是很類似最大主元PCA的方法？？？

就這樣吧，個人理解，有紕漏還希望大家見諒，多多指正

轉載地址：http://blog.nrdang.com/?p=35

總結

以上是生活随笔為你收集整理的KSVD的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。