基于重加权L1的ATpV正则化叠前反演方法

地震叠前反演能够准确获取地下储层介质的各类参数,是油气的勘探与开发中重要技术之一。然而,地震反演是典型的病态问题,为了克服此问题,通常使用正则化约束目标函数,来减轻反演问题的病态性。但是正则化约束忽略了地层边界的振幅信息,使用重加权方法可以很好地克服这一问题,更好地恢复稀疏性。提出了一种基于重加权L1的ATpV正则化叠前三参数反演方法(ATpV-L1方法),首次将重加权L1方法与ATpV方法结合,并引入到叠前反演中。采用交替方向乘子算法(ADMM)建立反演框架,对目标函数进行分块优化,有效提高了收敛速度。首先,介绍ATpV-L1方法,建立了基于ATpV-L1的叠前反演目标函数;然后,应用理论模拟数据对比新方法和ATpV方法反演结果,验证了方法的效果;最后,使用实际数据进行实验分析,进一步验证了ATpV-L1方法的反演精度及可行性。实验结果表明,提出的ATpV-L1方法可以有效恢复反演结果的稀疏性,提高反演精度。

基于L1范数正则化和最小二乘优化的冲击载荷识别研究

为了改善冲击载荷识别问题的病态特性,最大限度提高识别精度,在时域内提出一种基于L1范数正则化和最小二乘优化的改进冲击载荷识别方法。采用L1范数正则化方法构建冲击载荷稀疏反卷积模型,使用截断牛顿内点法求解L1范数的最小二乘优化问题,同时根据预条件共轭梯度法确定最优搜索路径和计算方向。最后,考虑不同冲击工况、不同响应位置对识别结果的影响。通过对铝合金板进行冲击载荷识别试验进行验证,发现在铝板受单次冲击和多次冲击工况下所识别载荷与施加的实际载荷吻合良好。结果还表明,与Tikhonov正则化方法相比,该方法能够提高冲击载荷识别的准确性和稳定性。

基于L_(1)范数正则化约束的叠前数据衰减补偿方法

由于地下介质的吸收作用,地震波在传播过程中经历了能量衰减、波形畸变及频带变窄的过程,严重降低了地震资料的分辨率。对于叠前地震数据而言,地层吸收衰减效应会随着传播路径发生变化,进而扭曲地震数据的AVA反射曲线特征。为此,提出一种针对叠前数据的衰减补偿方法。该方法考虑了射线路径对于衰减补偿的影响,首先在水平层状介质假设下推导出衰减介质中的叠前道集正演公式;然后将衰减补偿简化为一个反问题,并通过L_(1)范数进行正则化约束;最后采用交替方向乘子算法(ADMM)求取最优解,进而实现叠前数据的衰减补偿。数值测试结果表明,所提方法不仅能对振幅和相位进行补偿,而且还能恢复叠前道集的AVA反射特征。通过与叠后补偿、常规叠前反Q滤波方法对比分析,所提方法的精度更高、稳定性及抗噪能力更强。同时,Q值敏感度分析实验说明所提方法对Q值模型不敏感,仅借助低频Q值模型也能保持较高的补偿精度。实际资料处理结果也表明,该方法能够提高叠前道集的分辨率,有效还原数据的AVA反射特征,为高精度叠前地震反演奠定了基础。

基于交叉模型交叉模态方法和L_(1)正则化的损伤识别方法

提出了一种用交叉模型交叉模态(Cross Model Cross Mode,CMCM)方法与L1正则化结合的损伤识别方法。首先介绍了CMCM方法的基本原理,以及L2正则化与L1正则化的特点。然后通过一个实验室的钢框架结构对提出的方法进行了验证。结果表明,CMCM方法与L2正则化结合容易造成非损伤单元的误判,而在CMCM方法中使用L1正则化则能更准确地识别结构的损伤。即使仅用第一阶测量模态,用L1正则化技术求解CMCM方程也能很准确地识别框架结构的损伤。

L_(1/2)范数正则化模型修正方法在结构损伤识别中的应用

利用结构损伤时损伤参数所具有的稀疏性,基于灵敏度分析的有限元模型修正方法,提出一种结合L1/2范数正则化过程的结构损伤识别方法。与以Tikhonov正则化为代表的二次型正则化过程相比,L1/2范数正则化可以有效改善识别结果过度光滑的缺陷;与以L1范数正则化为代表的一次型正则化过程相比较,L1/2范数正则化识别结果更准确。二维框架模型为例的损伤识别数值模拟表明,L1/2范数正则化方法与模型修正方法相结合可以有效抑制实测模态参数中噪声的影响,对于结构局部损伤有更好的识别效果。

基于L_(1/2)范数正则化的塑性回声状态网络故障诊断模型

为了提升储备池的动态适应性能,克服回声状态网络(ESN)输出权值求解的病态不适定问题,平衡其拟合与泛化能力,提出了一种基于L_(1/2)范数正则化的塑性回声状态网络故障诊断模型。在储备池构建中引入BCM规则对连接权矩阵进行预训练,并在目标函数中添加L_(1/2)范数惩罚项以提高稀疏化效率,利用一个光滑化的L_(1/2)正则子克服迭代数值振荡问题,并采用半阈值迭代法对模型进行求解。将模型应用于机载电台的故障诊断问题中,仿真结果证明了模型的有效性和优越性。

基于加权L_1正则化的水下图像清晰化算法

水体对光能量有较强的吸收和散射作用,造成水下图像颜色失真,对比度下降。传统的图像增强方法和复原方法处理水下图像时各有不足,该文结合水下成像物理模型和基于Retinex理论的图像增强算法,提出水下图像清晰化方案。首先,基于图像统计特性给出一种简单的颜色校正方法,以去除颜色失真;在水下图像成像理论框架下,利用边界约束求得初始透射率,再使用自适应维纳滤波进行优化;在此基础上,提出加权L_1正则化模型对亮度层进行增强,最后再进行自适应Gamma校正。实验结果表明,算法可以有效去除颜色失真,而且能够大幅提升图像的对比度和清晰度。

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。

基于1范数正则化的模型修正方法在结构损伤识别中的应用

以基于灵敏度分析的有限元模型修正方法为基础,提出了一种基于1范数正则化过程的结构损伤识别方法。通过与以Tikhonov正则化为代表的二次型正则化过程相比较,本文的理论分析表明1范数正则化方法在迭代计算过程中能根据上一迭代步损伤识别结果自适应地调整正则化项中的损伤参数权系数,从而显著改善了Tikhonov正则化识别结果过度光滑的缺陷,更利于识别结构的局部损伤。为解决引入1范数造成的数值计算困难,文中还对基于1范数正则化的模型修正算法进行了改进。以二维框架模型为例的损伤识别数值模拟表明:1范数正则化方法与模型修正方法相结合可以有效抑制实测模态参数中噪声的影响,体现出较好的鲁棒性;在模态噪声水平达到10%的情况下,仍能有效抑制噪声干扰,凸显结构局部损伤位置,准确识别损伤程度。

L1范数正则化SVM聚类算法

提出L1范数正则化支持向量机(SVM)聚类算法。该算法能够同时实现聚类和特征选择功能。给出L1范数正则化SVM聚类原问题和对偶问题形式,采用类似迭代坐标下降的方法求解困难的混合整数规划问题。在多组数据集上的实验结果表明,L1范数正则化SVM聚类算法聚类准确率与L2范数正则化SVM聚类算法相近,而且能够实现特征选择。

基于L_1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法。采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度。

基于L1范数的全变分正则化超分辨重构算法

针对结构化照明显微成像系统的超分辨图像重构算法存在边界振铃效应、噪声免疫性差的问题,提出了一种基于L1范数的全变分正则化超分辨图像重构算法(简称L1/TV重构算法)。从结构化显微成像模型入手,分析了传统算法的设计原理和局限性;论述了L1/TV重构算法的原理,采用L1范数对重构图像保真度进行约束,并利用全变分正则化有效克服了重构过程的病态性,保护了重构图像边缘。对比研究传统重构算法和L1/TV重构算法的性能。实验结果表明:L1/TV重构算法具有更强的抗噪声干扰能力,重构图像空间分辨率更高。

L1正则化与pinball损失函数的极限学习机

极限学习机(extreme learning machine, ELM)由于其训练速度快、易于实现等优点,在回归领域得到了广泛的应用。然而,传统ELM的平方损失函数在异常值面前放大了异常值的影响,从而降低了性能。为了提高ELM的鲁棒性,在ELM中引入pinball损失函数。pinball损失函数与误差线性相关,与平方损失函数相比,可以减少异常值的影响。此外,L2范数正则化对于隐藏层节点缺乏稀疏性。相比之下,L1范数正则化可以改善模型的稀疏性。为了同时具有鲁棒性和稀疏性,提出了一种基于L1范数正则化和pinball损失函数的ELM模型,通过迭代重加权算法求解相应的优化问题。为了验证模型的鲁棒性和稀疏性,在6个真实数据集上进行实验。实验结果表明,提出的L1-PELM优于其他方法。特别是对于异常值比率较大的数据,L1-PELM不仅对异常值不敏感,而且保持了稀疏性。

三维大地电磁自适应L1范数正则化反演

常规三维大地电磁反演的正则项为L 2范数,它以电阻率空间分布函数处处光滑为模型期望,弱化了算法对电性突变界面的分辨能力.本文实现了正则项为L1范数的三维大地电磁反演算法,让模型空间梯度向量更有机会取得稀疏解,在充分正则的迭代下能够有效突出模型真实电性界面.为避免L1范数零点不可导带来的求解困难,使用迭代重加权最小二乘法把原问题转换为一系列L2正则子问题迭代求解.每个子问题的极小方法使用改进型拟牛顿法,其下降方向既能保证正则项海塞矩阵的精确性,又能允许反演过程随迭代灵活更新正则因子.使用比值法或分段衰减法自适应更新正则因子以避免迭代早期陷入奇异解,从而提升反演收敛的稳定性并降低初始模型依赖度.合成的无噪数据反演表明L 1正则算法的模型恢复效果优于L2正则;不同噪声水平的合成数据反演表明本文的算法具有稳健性;实测数据反演对比表明在合理的正则因子调整策略下,L1正则反演结果的模型分辨率优于L2正则.另外,不同初始模型的反演测试还表明,正则因子选取不合理时L1正则可能造成方块状假异常.

基于L1范数正则化的三维多震源最小二乘逆时偏移

与常规偏移相比,最小二乘偏移在振幅保真性、提高分辨率、压制偏移噪音等方面具有较大优势。交错网格下基于一阶波动方程的最小二乘逆时偏移能够考虑介质密度的影响,且在压制数值频散方面有一定的优势,但该方法目前主要应用于二维介质中。为了拓展方法的适用范围,将该算法推广到三维情形下。同时,考虑到多震源方法会引入串扰噪声,在目标泛函中引入L1范数的稀疏正则化约束,并给出一种快速有效的解法。结果表明,相位编码算法可显著降低计算量,提高计算效率,但会引入高频的串扰噪音,而L1范数正则化由于加入稀疏约束,可有效地压制成像结果中的低频和高频噪音,显著提升成像分辨率,较大程度地改善成像质量,且线性Bergman解法降低反演结果对参数的依赖度,适用于实际资料的处理。

自适应加权编码L_(1/2)正则化的图像重建算法

针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 d B,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。

基于L_1范数正则化的强震动加速度记录基线漂移识别方法

本文提出了一种基于L_1范数正则化的基线校正新方法,即以拟合速度时程误差最小为目标,以基线漂移本身尽可能小为约束条件,经过凸优化多次迭代自动求解出满足条件的基线漂移,避免了人为选取基线漂移分段次数和基线漂移起止时刻的主观干扰;随后利用该方法对多组加入了基线漂移噪声模型的强震动加速度记录进行验证。结果表明:本文方法对于识别和处理单段式、两段式和多段式的基线漂移噪声具有普适性,能敏锐地捕捉到速度时程发生漂移的趋势(斜率变化),无需预先设定加速度基线漂移模型也可有效地识别出多种基线漂移噪声的起止位置和漂移程度;地震记录事前部分对本文方法处理结果影响较大,当记录事前部分足够长时(如20 s),识别基线漂移噪声的准确性较高,位移时程可以较好地与原始位移匹配;而对于发生漂移的速度时程,本文方法可以不受地震事前部分长短的干扰,甚至在加速度记录出现明显丢头现象时,也能很好地实现峰值速度和整个速度时程的恢复。

基于l_(1/2)范数正则化的图像重建方法

为了利用l_1范数保持图像边缘信息的优势,并兼顾l_2范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型——l_(1/2)范数正则化方法。相比于经典的l_1范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。

基于L_1范数正则化的电压闪变信号检测算法

提出一种基于L1范数正则化的电压闪变信号检测算法.根据余弦函数的正交性特点,通过构造一个合适的目标函数,将基波信号检测转化为一个简单的数学优化问题.利用L1范数正则化的方法,建立从调制信号中恢复包络信号所需的优化方程.通过优化方程的求解,获得基波信号和闪变信号的检测估计.数值仿真信号和实测电压信号的检测结果表明,提出的算法能够准确有效地检测和提取信号的基波和包络分量,且有良好的抗噪性能.

L_1范数的总变分正则化超分辨率图像重建

超分辨率图像重建技术能够综合利用多帧离散图像、多组视频序列、或单帧图像与训练样本图像之间的互补信息,重建质量更好、空间分辨率更高的图像数据,弥补原有图像数据空间分辨率的不足,提高图像空间解像力和清晰度。介绍了基于正则化方法的超分辨率图像重建的研究现状和以正则化为基础的几种重建方法在近几年的研究和发展趋势。在此基础上,采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘。实现了对包含文字信息的图像的正则化超分辨率重建,实验验证了方法的有效性。