[论文解读] Variable Total Variation Regularization for Backward Time-Space Fractional Diffusion Problem

Junxiong Jia, Jigen Peng+2 more|arXiv (Cornell University)|Jan 16, 2016

Fractional Differential Equations Solutions参考文献 20被引用 3

一句话总结

该论文提出了一种用于求解时间-空间分数阶扩散反问题的可变总变差（TV）正则化方法，通过傅里叶域最小化从含噪终时测量数据中重构初始数据。该方法结合了分数阶半群理论以保证适定性，并采用改进的Bregman迭代算法，自适应地更新正则化项，实现了边缘保持并减少了阶梯效应，且具有收敛性证明和参数选择策略，在数值实验中优于标准Tikhonov和TV模型。

ABSTRACT

In this paper, we consider a backward problem for a time-space fractional diffusion process. For this problem, we propose to construct the initial data by minimizing data residual error in fourier space domain and variable total variation (TV) regularizing term which can protect the edges as TV regularizing term and reduce staircasing effect. The well-posedness of this optimization problem is studied under a very general setting. Actually, we write the time-space fractional diffusion equation as an abstract fractional differential equation and get our results by using fractional semigroup theory, so our results can be applied to other backward problems for more general fractional differential equations. Then a modified Bregman iterative algorithm is proposed to approximate the minimizer. The new features of this algorithm is that the regularizing term changed in each step and we need not to solve the complexed Euler-Lagrange equations of variable TV regularizing term (just need to solve a simpler Euler-Lagrange equations). The convergence of this algorithm and the strategy of choosing parameters are also obtained. Numerical implementations are given to support our analysis to show the flexibility of our minimization model.

研究动机与目标

• 解决具有含噪终时数据的时间-空间分数阶扩散方程的不适定反问题。
• 开发一种灵活的正则化模型，以保持边缘并减少总变差正则化中常见的阶梯效应。
• 利用分数阶半群理论，为一般分数阶算子设定下，建立优化问题的适定性。
• 设计一种高效的迭代算法，通过在每一步更新正则化项，避免求解复杂的变TV的Euler-Lagrange方程。
• 通过数值验证方法，并展示其在恢复不连续初始数据方面优于Tikhonov和标准TV正则化模型。

提出的方法

• 在傅里叶域中将反问题表述为数据残差误差的最小化，并引入可变总变差（TV）正则化项。
• 利用分数阶半群理论，将时间-空间分数阶扩散方程重写为抽象分数阶微分方程。
• 应用带有自适应正则化参数更新的Bregman迭代方法，避免在每一步求解可变TV的复杂Euler-Lagrange方程。
• 基于残差衰减设计停止准则，以控制迭代次数并防止过拟合。
• 采用改进的Bregman算法，其中正则化项在迭代中逐步更新，使子问题求解简化为简单的Euler-Lagrange方程。
• 在具有不同噪声水平和分数阶参数的合成示例上对方法进行数值验证。

实验结果

研究问题

• RQ1 如何有效应用可变总变差正则化于时间-空间分数阶扩散反问题，以改善边缘恢复并减少阶梯效应？
• RQ2 在一般分数阶算子设置下，所提出的最小化模型的理论适定性如何？
• RQ3 改进的Bregman迭代算法如何确保收敛性，同时避免求解复杂Euler-Lagrange方程？
• RQ4 分数阶阶数α对不适定性的程度有何影响？在α=1处是否表现出不连续行为？
• RQ5 可变TV模型在恢复不连续初始数据方面，与Tikhonov和标准TV正则化在定量性能上相比如何？

主要发现

• 对于示例2，当σ=0.0005时，所提出的可变TV模型的相对误差为13.0666%，优于Tikhonov模型（13.7772%）和标准TV模型（13.0053%）。
• 当σ=0.005时，可变TV模型的相对误差为22.7810%，略优于Tikhonov模型（25.2101%）和标准TV模型（22.7222%）。
• 数值验证证实了理论预测：当λ=10¹¹时，M=10；当λ=1/4×10¹¹和λ=1/16×10¹¹时，M分别为38和167，与理论预期高度一致。
• 随着α从下方趋近于1，不适定性程度连续降低，但在α=1处出现显著跃升，表明不适定性行为存在不连续性。
• 该方法在光滑初始数据下表现如Tikhonov正则化，在分段常数数据下表现如TV正则化，展现出自适应灵活性。
• 图6显示，即使α=0.99，其不适定性也显著弱于α=1，表明α<1的分数阶模型在本质上比整数阶对应模型更不不适定。