1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
稀疏学习属于压缩感知研究方向的核心内容之一，多采用L1范数最小化问题求解，已成功应用于图像存储、人脸识别、信号处理等领域中。然而，由于L1范数的不可导性，使得目前所获得的解均是通过迭代完成，也就是近似解。本课题希望在指定条件下，能够获得问题的解析解，类比于L2范数，希望完成以下任务：
1 导出L1范数最小化模型；
2 给出该问题的解析解；
2. 参考文献（不低于12篇）
[1] 邹伟,李元祥,杨俊杰,周则明,. 基于压缩感知的人脸识别方法[J]. 计算机工程,2012,(24). [2] 张旭,伍家松,杨冠羽,Lotfi Senahdji,舒华忠,. 基于L_1范数正则化的四元数信号重建(英文)[J]. Journal of Southeast University(English Edition),2013,(1). [3] 骆沛,吴壮志,夏春和,马腾,. 基于l_1范数最小化的非流形曲线族重构[J]. 计算机学报,2013,(9). [4] 刘杰,李昆仑,. 快速L1范数最小化算法的性能分析和比较[J]. 电脑知识与技术,2011,(19). [5] 陶剑文,王士同,. L_1范局部线性嵌入[J]. 中国图象图形学报,2011,(10). [6] 何光辉. 四种人脸识别方法研究[D]. 重庆大学: 重庆大学,2011. [7] 周巍. L1范数最小化算法及应用[D]. 华南理工大学: 华南理工大学,2014. [8] 靳焕庭. 基于稀疏表示与压缩感知的图像融合方法研究[D]. 西安电子科技大学: 西安电子科技大学,2013.[9] Yibing Wang, Dong Li, Yi Du, Zhisong Pan, Anomaly detection in traffic using L1-norm minimization extreme learning machine, Neurocomputing, Volume 149, Part A, 3 February 2015, Pages 415-425, ISSN 0925-2312, http://dx.doi.org/10.1016/j.neucom.2014.04.073.[10] Xiong Luo, Xiaohui Chang, Xiaojuan Ban, Regression and classification using extreme learning machine based on L1-norm and L2-norm, Neurocomputing, Volume 174, Part A, 22 January 2016, Pages 179-186, ISSN 0925-2312, http://dx.doi.org/10.1016/j.neucom.2015.03.112[11] Miguel Carrasco, Julio Lpez, Sebastin Maldonado, A multi-class SVM approach based on the l1-norm minimization of the distances between the reduced convex hulls, Pattern Recognition, Volume 48, Issue 5, May 2015, Pages 1598-1607, ISSN 0031-3203, http://dx.doi.org/10.1016/j.patcog.2014.12.006.
[12] 葛春苑.基于神经网络的人脸识别系统研究[D].山东师范大学,2011.
