基于自适应乘法正则化的结构随机激励识别

针对结构随机激励识别存在的激励位置未知以及重构效率偏低问题,提出了一种基于自适应乘法正则化的结构随机激励识别方法。该方法无需依赖于激励位置的先验信息,仅通过结构响应即可实现激励的准确定位和高效重构。首先,利用不同响应功率谱之间的传递特性来计算任意指定激励位置的定位误差,进而通过最小化定位误差来识别目标激励位置;在此基础上,借助自适应乘性正则化方法,定义全局正则化项来构造新的重构优化函数;然后,引入广义迭代加权最小二乘算法对优化函数进行求解,从而实现了结构随机激励识别;最后通过数值算例验证了所提方法的有效性。结果表明:所提方法能够精准地定位结构随机激励位置,且在与Tikhonov方法重构精度相似的基础上,提高了识别效率约15倍,同时具备良好的抗噪能力,为结构外部作用效应的获取提供了一种新思路。

基于协作表示和正则化最小二乘法的多姿态人脸识别方法

针对现有人脸识别方法不能很好地处理姿态变化的问题,提出一种基于协作表示和正则化最小二乘法的多姿态人脸识别方法。利用通用弹性模型(GEM)将图库中的人脸图像构建成为一个3D模型,在3D人脸姿态的三个方向(偏航、俯仰和翻滚)上提取特征,构建一个三维协作字典矩阵(CDM),利用正则化最小二乘法(RLS)和协作表示(CR)分类法对人脸进行识别分类。在AR和视频人脸数据库上进行实验,结果表明,该方法能够有效地解决具有姿态变化的人脸识别,同时对表情和光照变化也具有鲁棒性,且实时性高。

RCTLS图像恢复中局部线化的优化算法以及正则化参数的自适应选择

关于模糊图像的恢复问题，可采用DFT域中的正则化约束总体最小二乘法（RCTLS）有效地加以解决．该方法的实现是对非凸函数进行求解，尽管采取了一些经典优化迭代算法，仍难以获得高质量的恢复图像，并需要较多的机时．为此，本文对DFT域中的RCTLS算法提出两个具有创新性的解决方案：首先提出了局部线化优化算法进行求解；在此基础上，我们还对正则化参数进行自适应选择，以进一步提高恢复图像的质量．实验证明，采用局部线化方法可以成倍地提高计算速度，明显改善了图像恢复质量；同时，对正则化参数进行了自适应选代选择不仅提高了工作效率，并且能使恢复图像的质量得到进一步改善．

超分辨率重建结合正则化最小二乘的人脸识别方法

针对三维人脸重建模型精度和优化方法准确性问题,提出了一种基于单一图像的无约束姿态不变人脸识别方法。使用一个二维的正面图像来重建三维人脸。创建人脸的三重协同字典矩阵,利用凸集投影进行超分辨率重建。通过具有正则化最小二乘的协同表示完成分类。在LFW数据库和视频人脸数据库上处理姿态变化取得了预期的结果,与多种方法比较表明,提出的方法具有更高的识别率。

对比源反演算法在二维弹性波成像中的应用

采用线性算法——合成孔径聚焦算法,非线性算法——对比源反演算法和乘法正则化的对比源反演算法解决二维弹性波的逆散射问题。二维实测弹性波数据采用了多收发分置的测量方式。通过对实测数据的重建结果的展示和比较,验证了采用乘法正则化的对比源反演算法是一种解决弹性波逆散射问题的精确、有效的算法。

BC-AW协同过滤推荐算法研究

针对现有协同过滤算法普遍存在数据稀疏、可扩展性低、计算量大的缺点,提出一种基于BC-AW的协同过滤推荐算法,引入联合聚类(Block Clust,BC)和正则化迭代最小二乘法(Alternating least squares with Weighted regularization,AW),首先对原评分矩阵进行用户—项目双维度的联合聚类,接着产生具有相同模式评分块的多个子矩阵,通过分析得出这些子矩阵规模远小于原评分矩阵,从而有效降低预测阶段的计算量.然后分别对每个子矩阵应用正则化迭代最小二乘法来预测子矩阵的未知评分,进而实现推荐.经仿真实验表明,本文算法与传统的协同过滤算法比较,能有效改善稀疏性、可扩展性和计算量的问题.

基于稀疏表示的快速l_2-范数人脸识别方法

多数稀疏表示方法需要原子数目远远大于原子维数的大规模冗余字典,并采用l1-范数最小化方法来计算稀疏系数。为了降低算法复杂度,提出一种基于稀疏表示的快速l2-范数人脸识别方法。通过提取融合特征和缩小字典规模来改善字典结构,增强l2-范数的稀疏性,从而在保证识别性能的前提下大幅提高算法运行速度。实验表明,与其他稀疏表示方法相比,该方法可以显著降低算法复杂度,同时可以保持良好的人脸识别率和排除干扰人脸的能力。

基于有限PMU配置的配电网故障定位

提出一种仅需要有限的相量测量单元(PMU)便能实现单故障和多重故障定位的配电网故障定位方法。首先通过叠加原理和等效变换推导故障网络节点电压方程,基于此建立压缩感知模型。然后利用l_(1)正则化最小二乘法求解近似故障电流并进行归一化处理,确定疑似故障区间。通过电压残差公式和故障测距公式依次计算可能故障数目下对应的电压残差和故障距离,根据计算结果判定真实故障区间和故障位置。IEEE 33节点配电系统仿真实验表明:在有限PMU量测信息下,所提方法受故障类型、过渡电阻影响较小,适用于单故障和多重故障的场景,且具有一定的抗噪能力。

基于POD-RLS-KF的有源相控阵天线温度场实时重构

当电子设备工作时,电磁性能受温度影响很大,如何用稀疏传感器测量数据实时重构电子设备三维温度场是实现健康监测和电磁性能控制的关键问题。针对这一问题,以有源相控阵天线为研究对象,提出了融合仿真数据和测量数据的基于本征正交分解-正则化最小二乘法-卡尔曼滤波(POD-RLS-KF)的温度场时空重构方法:首先利用POD方法将仿真瞬态温度场数据分离为时间模式系数和空间基函数;然后根据稀疏传感器采集的数据,利用RLS和KF方法对时间模式系数进行最优估计;最后结合空间基函数和更新后的时间模式系数实时重构温度场。仿真和实验结果表明:在仿真工况与实际工况不同时,该方法根据稀疏传感器提供的少量数据实时计算天线三维温度场。对比现有重构方法,提出的方法展现出较好重构精度和噪声抑制能力,重构温度场平均均方根误差是卡尔曼滤波-线性随机估计(KF-LSE)方法的7.18%,是Gappy方法的1.53%。

利用极限学习机的人脸活体检测方法

针对目前人脸活体检测中手工设计特征方法提取特征单一和传统深度学习算法容易产生局部最小值和过拟合等问题,提出基于局部感受野的极限学习机(ELM-LRF)模型的人脸活体检测方法。模型首先随机生成输入权重,然后采用正则化最小二乘法解析计算出输出权重,有效解决了深度学习算法容易产生的局部最小值和过拟合问题,具有优越的泛化性能。在CASIA-FASD,NUAA数据库上分别以ELM-LRF模型与其他先进的人脸活体检测算法进行了实验对比,ELM-LRF算法具有最高的分类性能。

基于分层块稀疏学习的射频层析成像

针对射频层析成像中多径衰落不确定性引起的成像精度低、稳定性差的问题,提出基于分层块稀疏学习的射频层析成像模型。利用兴趣目标状态的时空稀疏性和相关性,设计信号的块稀疏结构表示与多观测参数学习方法,提升信号重构对多径不确定性的抑制能力,增强鲁棒性。基于分层思想,将成像过程分解为粗粒度检测与细粒度成像两个阶段,降低计算量,提高成像效率。真实实验结果表明,相比于常用的正则化最小二乘法,所提方法能有效提升室内环境下成像的精度和鲁棒性。

多重节点法并行求解大规模稀疏线性方程组

本文以弹性力学为例,提出了多重节点法用于求解大规模稀疏线性方程组.多重节点法利用叠加性将复杂问题分解为简单的子问题,并利用局部性减少计算量.粗节点刚度阵和子区域刚度阵在迭代时不变,使得多重节点法适合求解多工况问题.粗节点和细节点之间的映射关系通过求解局部有限元模型得到而非插值法,使得多重节点法能够快速求解复杂拓扑问题.为了加快收敛速度,提出了最优粗节点刚度阵,并基于正则化最小二乘法给出了其计算方法.大规模数值实验表明,多重节点法具有很好的可扩展性以及近似线性加速比.与主流算法如多重网格法相比,多重节点法在求解多工况问题时收敛速度更快.