La iteración Landweber o algoritmo Landweber es un algoritmo para resolver problemas lineales inversos mal planteados y se ha ampliado para resolver problemas no lineales que implican restricciones. El método fue propuesto por primera vez en la década de 1950 por Louis Landweber , [1] y ahora puede verse como un caso especial de muchos otros métodos más generales. [2]
El algoritmo original de Landweber [1] intenta recuperar una señal x de mediciones (ruidosas) y . La versión lineal supone que para un operador lineal A . Cuando el problema tiene dimensiones finitas , A es solo una matriz.
Cuando A es no singular , entonces una solución explícita es . Sin embargo, si A está mal condicionado , la solución explícita es una mala elección ya que es sensible a cualquier ruido en los datos y . Si A es singular , esta solución explícita ni siquiera existe. El algoritmo Landweber es un intento de regularizar el problema y es una de las alternativas a la regularización de Tikhonov . Podemos considerar que el algoritmo de Landweber resuelve:
utilizando un método iterativo. El algoritmo viene dado por la actualización.
donde el factor de relajación satisface . Aquí está el valor singular más grande de . Si escribimos , entonces la actualización se puede escribir en términos del gradiente.
y por tanto el algoritmo es un caso especial de descenso de gradiente .
Para problemas mal planteados , el método iterativo debe detenerse en un índice de iteración adecuado, porque es semiconvergente. Esto significa que las iteraciones se acercan a una solución regularizada durante las primeras iteraciones, pero se vuelven inestables en iteraciones posteriores. El recíproco del índice de iteración actúa como parámetro de regularización. Se encuentra un parámetro adecuado cuando la discrepancia se aproxima al nivel de ruido.
El uso de la iteración de Landweber como algoritmo de regularización se ha discutido en la literatura. [3] [4]
En general, las actualizaciones generadas por generarán una secuencia que converge a un minimizador de f siempre que f sea convexo y el tamaño del paso se elija de manera que donde esté la norma espectral .
Dado que se trata de un tipo especial de descenso de gradiente, actualmente no resulta muy beneficioso analizarlo por sí solo como el Landweber no lineal, pero dicho análisis fue realizado históricamente por muchas comunidades que no eran conscientes de los marcos unificadores.
El problema no lineal de Landweber se ha estudiado en muchos artículos en muchas comunidades; ver, por ejemplo. [5]
Si f es una función convexa y C es un conjunto convexo , entonces el problema
se puede resolver mediante la iteración Landweber no lineal restringida, dada por:
¿Dónde está la proyección sobre el conjunto C ? La convergencia está garantizada cuando . [6] Este es nuevamente un caso especial de descenso de gradiente proyectado (que es un caso especial del algoritmo hacia adelante-hacia atrás) como se analiza en [2]
Dado que el método existe desde la década de 1950, ha sido adoptado y redescubierto por muchas comunidades científicas, especialmente aquellas que estudian problemas mal planteados. En la tomografía computarizada de rayos X se llama SIRT: técnica de reconstrucción iterativa simultánea. También se ha utilizado en la comunidad de visión por computadora [7] y en la comunidad de restauración de señales. [8] También se utiliza en el procesamiento de imágenes , ya que muchos problemas de imágenes, como la deconvolución , están mal planteados. También se han utilizado variantes de este método en problemas de aproximación escasa y entornos de detección comprimidos . [9]