Convex Predictor–Nonconvex Corrector Optimization Strategy with Application to Signal Decomposition
This article proposes a novel predictor–corrector optimization strategy for efficiently finding locally optimal solutions to nonconvex cost functions. A convex minimisation predicts a strong initial candidate solution, which is then refined by solving a parameter‑free nonconvex problem. The strategy is applied to signal decomposition, separating a one‑dimensional signal into smooth, piecewise‑constant, oscillatory structured, and noise components. Results demonstrate faster convergence and robustness against initialization issues compared with traditional approaches.
Questo articolo propone una nuova strategia di ottimizzazione predictor–corrector per individuare in modo efficiente soluzioni localmente ottimali di funzioni di costo non convesse. Una minimizzazione convessa consente di prevedere una solida soluzione iniziale candidata, che viene successivamente raffinata risolvendo un problema non convesso privo di parametri. La strategia è applicata alla decomposizione di segnali, separando un segnale unidimensionale in componenti lisce, costanti a tratti, oscillatorio-strutturate e di rumore. I risultati dimostrano una convergenza più rapida e una maggiore robustezza rispetto ai problemi di inizializzazione tipici degli approcci tradizionali.
Year
2024
Authors
Girometti, L., Huska, M., Lanza, A., & Morigi, S.
Thematic Area
—
—