一种基于BFGS拟牛顿公式的运动目标跟踪方法

提出了一种基于BFGS拟牛顿公式的运动目标跟踪新方法。将跟踪目标描述为特征空间中的直方图概率密度函数,运用Bhattacharyya距离作为相似性度量准则并构造定位目标函数;通过BFGS拟牛顿方法合理确定搜索方向进行目标的定位;采用逐层区域划分搜索策略,有效的避免了目标丢失的问题。实验结果表明该方法在精确性和实时性方面均能满足运动目标跟踪的实用要求。

BFGS修正算法在前馈神经元网络学习中的应用

介绍了拟牛顿公式中 BFGS修正算法和 Wolf- Powell不精确线性搜索准则所具有的全局收敛性质 。

关于求解随机用户均衡问题的截断拟牛顿型信赖域法研究

信赖域法是一种保证全局收敛性的优化算法,为避免Hessian矩阵的计算,基于拟牛顿校正公式构造了求解带线性等式约束的非线性规划问题的截断拟牛顿型信赖域法.首先给出了截断拟牛顿型信赖域法的构造过程及具体步骤;然后针对随机用户均衡模型中变量和约束的特点对算法进行了修正,并将多种拟牛顿校正公式下所得结果与牛顿型信赖域法的结果进行了比较,结果发现基于对称秩1校正公式的信赖域法更为合适.最后基于数值算例结果得到了一些在算法编程过程中的重要结论,对其它形式信赖域法的编程实现具有一定的参考意义.

变分意义下最佳变尺度公式的研究——一个新变尺度公式的导出

本文研究了 J.E.Dennis 和 R.B.Schnabel 提出的导出 BFGS 和 DFP的变分模型.在此基础上给出了一个新的交分模型,它比前者更合理.并从该变分模型导出了一个新的拟牛顿公式.利用 R.Byrd,Y.Yuan 和 J.Nocedal[1987]的结果,我们知道该公式是全局超线性收敛的.

基于新的Hessian近似矩阵的稀疏重构算法

一般来说,基于二次近似模型的优化算法具有良好的数值表现.然而,当基于二次近似模型的优化算法求解大规模优化问题时,若使用稠密矩阵近似目标函数在迭代点的Hessian矩阵,需要花费大量的计算成本和存储成本,因此设计Hessian矩阵合适的标量近似矩阵特别重要.对于正则化模型,利用最近三次迭代的信息,设计粗糙的标量矩阵,使用拟牛顿公式进行更新,结合近似最优梯度法的思想和梯度法的延迟策略,构造Hessian矩阵新的含有更多二阶信息的标量近似矩阵.结合非单调线搜索,提出基于新的Hessian近似矩阵的稀疏重构算法,并进行收敛性分析.实验结果表明,与经典稀疏重构算法算法相比,基于新的Hessian近似矩阵的稀疏重构算法在重构效果相似的情况下能较大地减少迭代次数和较快地重构信号.