面向稀疏异常值鲁棒回归的噪声统计无关 GARD 方法

被高斯噪声（内点）和可能无界的稀疏异常值污染的线性回归模型在许多信号处理应用中很常见。受稀疏恢复启发的鲁棒回归（SRIRR）技术已被证明在此类回归模型中能提供高质量的估计性能。遗憾的是，大多数 SRIRR 技术都假设已知噪声统计（如内点噪声方差）或异常值统计（如异常值数量）的先验知识。内点和异常值噪声统计都很少能先验获知，这限制了众多 SRIRR 算法的高效运行。本文提出了一种新颖的噪声统计无关算法，称为残差比阈值化 GARD（RRT-GARD），用于在存在稀疏异常值的情况下进行鲁棒回归。RRT-GARD 是通过改进最近提出的噪声统计相关贪婪鲁棒去噪算法（GARD）而开发的。有限样本和渐近分析结果表明，RRT-GARD 的性能与已知噪声统计先验知识的 GARD 几乎相当。在真实和合成数据集上的数值模拟也表明 RRT-GARD 具有极强的竞争力。