✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
（1）基于重加权幅度流的随机梯度相位恢复算法
相位恢复问题在光学成像、X射线晶体学、天文观测等众多科学技术领域具有广泛的应用背景，其本质是从信号的幅度或强度测量值中重建丢失的相位信息。由于测量过程中相位信息的丢失，相位恢复问题在数学上表现为一个非凸优化问题，存在多个局部最优解和鞍点，传统的优化算法往往难以收敛到全局最优解。幅度流算法是近年来提出的一类有效的相位恢复方法，其核心思想是直接在幅度域而非强度域构建损失函数，通过梯度下降法迭代求解。然而，随着数据规模的不断增加，标准幅度流算法的计算效率成为制约其实际应用的瓶颈。本研究在重加权幅度流算法的基础上，引入随机梯度方法，提出了一种适用于大规模数据的快速相位恢复算法。
重加权幅度流算法通过在梯度计算中引入自适应权重来改善收敛性能，权重因子与当前估计值和测量值之间的残差相关，对于残差较大的测量点给予较小的权重，从而降低异常测量对梯度方向的影响。这种重加权策略源于稳健统计学中的迭代重加权最小二乘思想，能够有效抑制测量噪声和异常值对恢复精度的影响。然而，每次梯度计算需要遍历所有测量数据，当测量数量达到百万甚至更高量级时，单次迭代的计算开销变得不可接受。
随机梯度方法是处理大规模优化问题的经典技术，其核心思想是用随机采样的小批量数据梯度近似全数据梯度。本研究将随机方差减小技术与重加权幅度流相结合，设计了一种低方差的随机梯度估计器。具体而言，算法在每个epoch开始时计算一次全梯度作为参考，然后在epoch内部的每次迭代中只计算小批量数据的梯度增量，将增量与参考梯度相加得到当前梯度估计。这种设计能够有效控制随机梯度的方差，在保持计算效率的同时保证收敛速度。
初始化策略对相位恢复算法的性能至关重要，良好的初始估计能够使迭代过程更快地收敛到全局最优解。本研究改进了谱初始化方法，通过随机采样技术降低初始化阶段的计算复杂度。具体而言，从测量数据中随机抽取一个子集，基于该子集构建初始化矩阵并求解其主特征向量作为初始估计。理论分析表明，只要子集规模满足一定条件，随机谱初始化得到的估计值与原始信号之间的相关性仍然能够保证算法的全局收敛性。
算法的收敛性分析是验证其有效性的理论基础，本研究基于非凸优化理论证明了所提随机重加权幅度流算法的收敛性。通过构造李雅普诺夫函数并分析其期望递减性质，证明了在适当的步长选择下，算法能够以线性收敛速度收敛到全局最优解的邻域内。与确定性算法相比，随机算法的收敛邻域半径与小批量规模有关，更大的批量规模能够获得更高的最终精度，但也需要更大的单次迭代计算量。实验结果表明，所提算法在处理大规模相位恢复问题时，能够在保证恢复精度的前提下显著降低计算时间。
（2）光滑化幅度流算法及其自适应梯度下降方法
幅度流算法的损失函数虽然在计算上比强度域损失函数更加友好，但其本身仍然是非凸非光滑的，非光滑性来源于幅度计算中的绝对值操作。非光滑性会导致梯度在某些点不存在，给算法的收敛性分析和实际实现带来困难。本研究提出了一种幅度流损失函数的光滑化方案，通过引入光滑近似替代原始的非光滑损失，使得改进后的损失函数在整个定义域上都具有连续可微性，从而能够应用标准的梯度下降类方法进行优化。
光滑化的核心思想是用一个光滑函数来近似绝对值函数，本研究采用Huber型光滑近似，当变量的绝对值大于某个阈值时采用线性函数，小于阈值时采用二次函数。这种分段定义的近似函数在整个实数轴上连续可微，且与原始绝对值函数的近似误差可以通过阈值参数来控制。将光滑近似应用于幅度流损失函数后，得到的光滑化损失函数保持了原损失函数的基本结构和最优解位置，同时获得了良好的光滑性质。
基于光滑化损失函数，本研究开发了一种自适应梯度下降算法进行求解。自适应性体现在步长选择上，算法根据当前迭代点的梯度信息自动调整步长大小。当梯度较大时采用较小的步长以避免震荡，当梯度较小时采用较大的步长以加速收敛。本研究设计了一种基于Barzilai-Borwein规则的步长计算方法，利用相邻两次迭代的梯度变化信息来估计局部曲率，从而确定合适的步长。这种自适应步长策略无需预设固定的学习率参数，降低了算法对超参数的敏感性。
初始化阶段采用最大相关初始化方法，该方法首先计算测量向量与待恢复信号之间的相关性度量，选择相关性最高的测量向量的方向作为初始估计的方向，然后根据测量幅度信息确定初始估计的模长。相比于谱初始化方法，最大相关初始化具有更低的计算复杂度，同时能够提供足够好的初始估计质量。理论分析表明，在高斯随机测量模型下，最大相关初始化得到的估计值与真实信号之间的夹角以高概率不超过某个常数，这保证了后续梯度下降过程能够收敛到全局最优解而非局部最优或鞍点。
大量的数值实验验证了光滑化幅度流算法的有效性和优越性，实验在不同规模、不同测量比和不同噪声水平的测试问题上进行。结果表明，相比于非光滑版本的幅度流算法，光滑化版本在收敛速度和最终恢复精度上均有显著提升。特别是在低测量比的困难情况下，光滑化策略能够更加稳定地引导优化过程避开局部最优区域，获得更高的恢复成功率。在真实应用场景如傅里叶相位恢复和编码衍射成像中，算法同样展现出优异的性能。
（3）贪婪稀疏相位恢复与光滑化联合优化方法
许多实际应用中的信号具有稀疏结构，即信号向量中只有少数元素非零。利用稀疏先验信息能够显著降低相位恢复问题的测量需求和计算复杂度，然而这也给算法设计带来了额外的挑战。稀疏相位恢复需要同时恢复信号的支撑集和非零元素取值，这是一个组合优化问题，其解空间规模随着信号维度呈指数级增长。本研究提出了两种针对稀疏信号的相位恢复算法：基于贪婪自相关的稀疏相位恢复算法和基于光滑化幅度流的稀疏相位恢复算法，分别从不同的角度解决稀疏相位恢复问题。
如有问题可以留言，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
