Design of Polynomial Fuzzy Neural Network Classifiers Based on Density Fuzzy C-Means and L2-Norm Regularization

In this paper, polynomial fuzzy neural network classifiers (PFNNCs) is proposed by means of density fuzzy c-means and L2-norm regularization. The overall design of PFNNCs was realized by means of fuzzy rules that come in form of three parts, namely premise part, consequence part and aggregation part. The premise part was developed by density fuzzy c-means that helps determine the apex parameters of membership functions, while the consequence part was realized by means of two types of polynomials including linear and quadratic. L2-norm regularization that can alleviate the overfitting problem was exploited to estimate the parameters of polynomials, which constructed the aggregation part. Experimental results of several data sets demonstrate that the proposed classifiers show higher classification accuracy in comparison with some other classifiers reported in the literature.

基于ML和L2范数的视频目标跟踪算法

目标跟踪是计算机视觉领域的一个具有挑战性的问题,本文提出了一种基于ML(最大似然)估计和L2范数的视频目标跟踪算法.建立基于稀疏限制的ML模型,给样本中的异常像素分配较小的权值,减少异常像素对跟踪算法的影响.利用L2范数最小化进行稀疏编码求解.采用贝叶斯估计得出目标跟踪结果.与其他典型算法相比,本算法降低了计算的复杂度,对遮挡,旋转,尺度变化,光照变化等异常变化具有较强的鲁棒性.

0阶L2型TSK迁移学习模糊系统

针对传统模糊系统在面对源场景存在某种程度的信息缺失或所采集的信息有限导致受训所得系统泛化能力较差之挑战,探讨了具有迁移学习能力的模糊系统.该类模糊系统不仅能充分利用当前场景的数据信息,还可有效利用历史知识对当前源场景的建模过程进行辅助学习,以达到弥补信息缺失之目的.基于此思想以0阶L2型TSK模糊系统为研究对象构造了0阶L2型TSK迁移模糊系统(0-L2-TSK-TFS).在模拟数据集以及真实数据集上的实验研究亦验证了该迁移模糊系统在应对存在信息缺失的场景时,较之于传统模糊建模方法有着更好的适用性.

基于L_1/L_2范数的表面多次波自适应相减方法

依据L1和L2范数自适应相减方法的特性,提出了联合L1/L2范数的表面多次波自适应相减方法,并引入GPU并行加速,在充分发挥两种方法优势的同时,有效缓解了两种自适应相减方法限制性条件引发的问题,在较短的时间内获得收敛的维纳滤波器,并且较好地拟合多次波模型和原始记录中的多次波。文中方法无需L2范数方法的假设条件,相比于L1范数方法提高了计算效率。理论模型和实际海洋地震数据测试表明,基于L1/L2范数的GPU并行加速的表面多次波自适应相减方法可有效压制地震数据中的表面多次波。

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.

基于L_2范数的相关叠加去噪方法

本文在研究传统相干算法的基础上,提出了一种利用邻域相关性的加权叠加压制地震随机噪声的方法,即利用L2范数估计邻域间的相似度,并以邻域间欧氏距离的高斯函数作为计算加权系数的策略,实现邻域点的相关叠加,从区域识别信号到局部保真压噪。模型及实际资料的处理计算结果表明:该方法能够有效消除随机干扰,且信号的保真度高,是低信噪比条件下资料处理的可行方法。

L1+L2正则化逻辑斯蒂模型分类算法

提出一种L1+L2范数正则化逻辑斯蒂模型分类算法。该算法引入L2范数正则化,解决L1正则化逻辑斯蒂算法迭代过程奇异问题,通过引入样本向量的扩展和新的权值向量完成L1范数非平滑问题,最终使用共轭梯度方法求解经过转化的最优化问题。在各种实际数据集上的实验结果表明,该算法优于L2范数、L1范数和Lp范数正则化逻辑斯蒂模型,具有较好的特征选择和分类性能。

融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

自适应加权混合L1/L2范数匹配相减多次波压制方法

基于波动方程的自由表面多次波和层间多次波压制时,自适应匹配相减方法的选取是关键的环节。L2范数自适应匹配相减方法适用于多次波强而有效波弱的情况,L1范数自适应匹配相减方法则适用于多次波弱而有效波强的情况,L2范数自适应匹配相减方法的运算速度明显较L1范数自适应匹配相减方法更快。自适应加权混合L1/L2范数匹配相减方法需要构建联合L1范数和L2范数的目标函数,再根据地震数据中有效波与多次波的能量比自适应地调整目标函数中L1范数和L2范数所占权值。该方法充分利用了L1范数和L2范数压制多次波时对地震数据不同的要求,既不需要L2范数自适应匹配相减方法的有效信号与噪声正交的假设,又克服了L1范数自适应匹配相减方法运算效率较低的缺点,在保证压制效果的同时提高了计算效率。多层水平层状模型及SEG/EAGE Pluto模型的测试结果表明,相较于常规方法,该方法明显提升了多次波的压制效果。

基于l_2范数的EMD滤波方法在光纤陀螺信号中的应用（英文）

光纤陀螺的随机漂移限制了惯性导航系统的精度,如何减小它是一项非常艰巨的任务。结合经验模态分解(EMD)和信号与模态之间的概率密度函数,提出了一种新型的依赖Hurst指数的信号滤波方法。当H<0.5时,利用l_2范数选择出相关模态,累加并形成的部分重构方法来对光纤陀螺的信号进行滤波;当H≥0.5时,间隔阈值的经验模态(EMD-IT)被引入对相关模态进行滤波,之后按照部分重构的方法对光纤陀螺的信号进行滤波;称为混合的EMD-pdf和EMD-IT。与其它的滤波方法进行对比,如基于相关函数的EMD部分重构(EMD-cor),基于概率密度函数的EMD部分重构(EMD-pdf),仿真信号和实际数据结果表明,该混合模型的优越性,有效减小了光纤陀螺的随机误差。

数控转台直接驱动伺服系统的L_2鲁棒定位控制

针对采用直接驱动技术的数控转台回转送进系统易受参数不确定性和负载扰动影响的特点,采用L2鲁棒控制理论来设计控制器,并利用L2范数对干扰信号加以限制。L2鲁棒控制是用一个结构和参数都固定不变的控制器来保证系统在不确定性影响最严重的情况下也能满足性能要求,使系统具有较强的抗干扰性。仿真结果表明,所设计的控制器使系统对参数不确定性和负载扰动具有较强的鲁棒性,并实现了对位置输入信号的快速跟踪,从而提高系统的伺服性能。

一种基于L_(2,1)范数的PCA维数约简算法

传统PCA存在对异常值和特征噪声敏感等问题,基于L2,1范数的PCA算法改进了这些缺点。现有的基于L2,1范数的PCA算法是通过降低矩阵的秩来实现维数约简,而秩的计算复杂。针对这一问题,提出一种新的维数约简算法。该算法提出利用迹范数代替矩阵的秩来简化L2,1-PCA的计算,提高算法效率;对于算法的求解提出了基于拉格朗日乘子的方法并将算法应用扩展Yale B人脸数据集进行图像去噪。可视化的实验结果表明所提出的算法有效。

L_2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生"模型漂移"的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服"模型漂移"问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明:与现有跟踪方法相比,该方法具有较优的跟踪性能。

基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法

在贝叶斯框架下,基于增量正交投影非负矩阵分解目标跟踪算法能够适应各种复杂的场景,准确处理跟踪目标外观变化,取得了较好的跟踪效果,但是该算法计算量大,难以满足实时性要求。针对这一缺点,提出了一种基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法,建立基于L2范数最小化和增量正交投影非负矩阵分解的目标表示模型,在贝叶斯框架下得出跟踪结果。实验结果表明,新算法能够较好地处理视频场景中的光照变化、尺度变化、局部遮挡、角度变化等干扰,有较低的中心位置误差平均值和较高的重叠率平均值,平均处理视频达4.08帧·s-1,能够满足实时性的要求。

基于l_(2,p)-范数的ECT图像重建算法

针对电容层析成像系统图像重建过程中Tiknonov正则化解过度光滑引起的重建图像细节信息丢失问题,引入l_(2,p)(0<p≤1)的混合范数作为正则化算法的数据项和正则化项。混合范数l_(2,p)利用了欧氏范数l_2的光滑性和分数范数l_p(0<p≤1)的稀疏性,不仅比范数L_(2,1)具有更好的联合稀疏性,对噪声的抗干扰性也更强,进而针对l_(2,p)矩阵范数的非凸、非Lipschitz连续问题提出一种新的电容层析成像图像重建模型。实验结果表明,基于矩阵混合范数l_(2,p)极小化优化模型的正则化算法相比牛顿迭代、奇异值分解、共轭梯度算法具有更强的适应性,更高的图像分辨率及更好的成像质量。

基于降维字典的L_2范数人脸识别方法研究

基于稀疏表示的人脸识别算法具有良好的识别效果,然而工作机制并不明确。因此,在研究SRC的方法和L1范数作用基础上,提出了一种结合降维字典和L2范数求解的分类方法。利用PCA技术对原始字典进行改进,有效降低原始字典的维数,降低求解系数向量的复杂性;利用L2范数快速计算的特点,加快人脸识别速度,提高系统的鲁棒性和识别率。在Yale B和ORL数据库上的实验结果表明了该方法的有效性。

坐标下降l_2范数LS-SVM分类算法

研究l2范数正则化最小二乘支持向量机的坐标下降算法实现.在图像处理、人类基因组分析、信息检索、数据管理和数据挖掘中经常会遇到机器学习目标函数要处理的数据无法在内存中处理的场景.最近研究表明大规模线性支持向量机使用坐标下降方法具有较好的分类性能,在此工作基础上,文中扩展坐标下降方法到最小二乘支持向量机上,提出坐标下降l2范数LS-SVM分类算法.该算法把LS-SVM目标函数中模型向量的优化问题简化为特征分量的单目标逐次优化问题.在高维小样本数据集、中等规模数据集和大样本数据集上的实验验证了该算法的有效性,与LS-SVM分类算法相比,在数据内存中无法处理的情况下可作为备用方法.

基于迭代加权L2/L1范数块稀疏信号重构的ISAR成像算法

为实现快速、高分辨率逆合成孔径雷达(ISAR)成像,利用目标的内在块稀疏结构信息,提出一种迭代加权L2/L1范数块稀疏重构ISAR成像算法。构建ISAR稀疏成像模型,将ISAR成像问题转化为稀疏信号重构问题后,在每次迭代中求解用于下次迭代的权值向量解,从而实现高分辨率ISAR成像。实验结果表明,相比BP、OMP、SBL算法,该算法可以改善成像质量,提高重构效率。

基于L2范数的高斯混合模型空域去噪方法

针对图像像素间相似性衡量不准确而导致去噪性能下降的问题,提出了基于L2范数的高斯混合模型空域去噪方法。该方法将像素点周围像素的局部灰度信息的统计特性建模为高斯混合模型,结合高斯混合模型间的L2范数和像素位置的空间距离来定义像素点之间的相似性权值,以提高像素间相似性的度量的精确度。实验结果表明,利用高斯混合模型可更加准确地衡量像素间的相似性,同时,该去噪方法可提高图像的去噪效果,并能较好地保留图像的细节信息。

一种基于L_2范数的软核感知机

感知机只能解决线性可分问题。支持向量机中的L2范数软边缘算法可以将线性不可分问题转化为线性可分问题。基于这一事实,提出一种基于L2范数的软核感知机(SoftKernelPerceptron,SKP),将感知机算法直接用于求解L2范数软边缘算法决定的线性可分问题。通过使用核技巧,得到一种普适的非线性分类方法。实际数据库的测试结果表明,SKP算法能够有效地解决非线性问题,并且继承了感知机运算简单速度快的优点。