基于活跃集的支持向量机切平面法

切平面法作为求解非光滑凸优化问题的典型方法,在支持向量机问题的求解中得到了广泛的应用.但是该算法在求解过程中往往会出现不稳定的情况.针对这一不稳定性,前人提出了优化切平面法,通过在切平面法中加入线搜索环节来确保目标函数单调下降.但是优化切平面法的运算复杂度比较高,不适合训练数据量大、对训练速度要求高的应用.本文提出了一种基于活跃集的优化切平面法,在计算目标函数和进行线搜索时,只单独处理活跃集内的样本,将其它样本当作一个整体来进行处理.相对于传统的优化切平面法,本文方法只需在一部分样本上计算目标函数和进行线搜索,从而可以在不损失求解精度的前提下节省求解时间.

面向曲面重构的切平面法矢方向调整算法

提出一种基于法向距离的法矢方向调整算法。主要思想是根据法向距离阈值,把散乱点划分为平坦点和非平坦点两种类型;根据其邻近点是否有不平坦点来采用不同的法矢传播方式而无需建立散乱点法矢的Riemannian图;并提出了两次最近距离和一次k近邻遍历法加快了法矢的传播速度。应用实验球、切牙、磨牙、怪兽和全口牙模5个不同点云数据进行了算法验证,对怪兽和全口牙模法矢传播过程中遇到的死锁问题,使用三次最近距离法给予了解决。

切平面法作圆锥画面透视阴影

绘制圆锥画面透视阴影是十分困难和复杂的。本文提出用切平面法作圆锥画面透视阴影，此方法简便易行．

切平面法作圆柱画面透视阴影

绘制圆柱画面透视阴影是十分困难和复杂的,本文提出用切平面法作圆柱画面透视阴影,此方法简便、易行。

训练结构化支持向量机的优化切平面法

结构化支持向量机是机器学习中描述结构化输出问题的一种新模型,对其进行训练是一个典型的非光滑凸优化问题,最常用的训练算法是切平面法。切平面法中原问题的目标函数往往会发生振荡,因此一般需要加入线搜索环节。但是还没有针对结构化支持向量机的高效的线搜索方法。该文提出了一种优化的切平面法,通过二次插值来进行近似线搜索,并将其应用到结构化支持向量机的训练中。在多类分类上的实验表明:该算法的迭代次数接近精确线搜索,而每次迭代的计算量保持不变。在序列分类上的实验表明:该算法在训练其他复杂类型的结构化支持向量机时仍然比当前主流算法效率高很多。

光平面剖切法及其在透视图消隐中应用

研究利用近景摄影测量成果绘制建筑物透视图的消隐问题 ,提出了光平面剖切的消隐方法 ,建立了消隐的数学模型 ;通过数学计算与判断 ,确定了空间点与面的隐藏关系 ,将复杂的空间问题转化为平面问题来解决 ;用 C语言实现了该算法 ,给出了应用实例 .实践证明该方法理论正确、方便实用 。

平面型腔环切法加工刀轨生成新算法

利用ACIS几何平台提供的完善的等距方法、对等距环的自交处理和ACIS的线架、曲面和实体数据结构统一的特点 ,对环切加工刀轨的生成算法进行研究 ,提出利用ACIS几何平台 ,可以将实体的布尔运算应用于等距环的集合运算 ,算法简洁、稳定 ,提高了算法的效率。

空间曲线在某点的切线方程的多种解法

本文探讨了空间曲线在某点的切线方程的计算方法和相关技巧,指出了六种常见的计算思路,如参数方程法,公式法,隐函数求导法,边隐函数求导边代入点的方法,利用切平面的法向量的向量积来求切向量。除此之外,切线仍可看作两个相交曲面在该点的切平面的交线。结合相关的题目用不同的方法作出解答。

三维表面电荷法在位场计算中的几点改进

针对常规三维表面电荷法在位场计算中采用平面单元剖分、常值电荷估计致使计算效率低内存消耗大的缺点,对表面电荷法进行改进。采用曲面三角形单元对曲面进行剖分并通过二次多项式进行插值,利用线性或二次插值估计电荷密度以反映电极表面电荷密度的线性及非线性分布的特点,在奇异积分处理上通过切平面法解决格林函数基本解的奇异积分,并给出其具体实现。最后通过两个典型算例进行了验证,结果表明该方法精度较高,具有一定可行性。

一个二重积分的计算方法及微机处理

一个二重积分的计算方法及微机处理蔡康盛（本溪冶金专科学校）在计算二重积分时，通常是把二重积分化为定积分。自然，与定积分一样，在实际计算中，往往会遇到被积函数是用表格形式给出，或者在化二重积分为二次积分过程中遇到原函数无法用初等函数表示的情形。因此，需...

二阶随机占优约束下考虑订购能力的多产品报童问题

在不确定环境下的报童问题中,利用风险度量去对抗未来的不确定性,是帮助决策者规避风险的重要方法.二阶随机占优(Second order Sto chastic Dominance,SSD)是一种稳健的风险度量.本文首先提出一种带有SSD约束及订购能力约束的风险厌恶多产品报童模型(SSD模型).其次,采用样本均值逼近(Sample Average Approximation,SAA)方法近似该问题,并对SAA问题进行收敛性分析.最后,在数值实验部分,用切平面法求解SAA问题,并同时与基于风险中性(无风险约束)和风险厌恶(以方差为风险约束)假设下的参照模型进行比较.数值结果表明相对于参照模型,在样本外预测下SSD模型可以更好地规避风险,得到更高的收益.