地震反演中的线性规划算法——最小结构解法

本文详细地阐述了地震反演中的线性规划算法——最小结构解法的基本原理和特点,阐明了线性规划反演方法中从各种信息源中提取约束条约的算法,以及反演之前一系列精细的预处理对反演结果的影响,同时提出了实现这个反演算法的具体实施细则。

分析设计应力分类方法的“一次最小结构”法研究

提出了一种有效的应力分类方法棗“一次最小结构”法。该方法基于应力线性化技术及弹性有限元应力计算方法。在评定过程中,一次总体薄膜应力和一次弯曲应力在“一次最小结构”中加以校核,其它应力都在原结构中加以评定。通过解除原结构中“不利约束”的影响,该方法得到了更为接近极限载荷的一次应力评定结果。本文给出了应用“一次最小结构”法进行应力分类与评定的实例,并将计算结果与不采用应力线性化方法以及目前标准中给出的分析方法的计算结果进行了比较。结果表明,应用该方法能得到更大的许用载荷计算值,从而获得更为接近于极限载荷的应力评定结果。

双足步行机器人下肢最小结构的设计与实现

近年来,随着电子、计算机和控制技术的不断进步,出现了各种仿生机器人,如机器鱼、机器蛇、机器狗、人形机器人等。仿生机器人的结构和人类非常相似,双足行走的模式使其工作起来非常方便,运用前景非常广阔。研究双足机器人不仅具有学术意义,而且具有实际应用价值。文章主要从国内研究现状、人体下肢机构分析、动力源选择、自由度确定、系统介绍、未来的研究方向几个方面进行了阐述,希望对我国双足步行机器人的发展有所帮助。

平面曲柄摇杆机构的最佳传动性与最小结构设计

对于平面曲柄摇杆机构，要同时兼顾最佳传动性与最小结构尺寸往往是非常困难的．针对常规优化难以寻得最优解的问题，建立了以传动性最好和结构尺寸最小的优化模型，运用模糊理论和方法获得了最优解，解决了这一难题．文中最后给出了一个设计实例．

最小结构磁化率成像反演方法在水下目标探测中的应用

磁测技术对发现和确定水下目标十分有效,已被广泛用于探测水下沉船、水下掩埋管线、电缆和其他(电)磁性物体.然而,水下目标往往具有较强的剩磁与退磁特点,影响了定性解释结果和定量计算精度.为了更精准地确定和刻画水下目标的位置与形状,以磁异常模量数据为基础,采用最小结构模型进行磁化率成像反演;在模型试验中采用了L1范数和L2范数分别进行反演,并且对两者结果进行了对比分析,结果显示L1范数反演结果具有更为规则与清晰的边界,而L2范数反演结果则相对更为平滑.因此,对于常见水下目标磁测,L1范数反演更适合.以港珠澳大桥沉管隧道磁测数据为例,基于磁异常模量的最小结构模型反演了水下沉管的埋设状态,其平面位置、宽度和埋深具有较好的精准度.因此,本方法能够基于磁测数据更加精细地计算水下掩埋目标的位置和规模,具有较强的实际应用价值.

基于结构风险最小化原则的奇异值分解降噪研究

针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题,提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论,把有效秩阶次的选择看作是一个学习过程,利用结构风险最小化原则来代替传统的经验风险最小化,从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明,该方法不但具有较好的降噪精度和算法稳定性,而且降低了消噪模型算法的复杂度。

基于结构风险最小化的径向基插值

分析了径向基插值代理模型的特点,为了提高代理模型的推广能力,引入了结构风险最小化基本原理;指出基函数满足Mercer条件的径向基插值代理模型,本质上也是一类高维分类超平面;文中推导了径向基插值的VC维度与构成径向基插值函数的常数项的导数关系,为此提出了基于结构风险最小化的径向基插值。最后若干函数测试表明基于结构风险最小化的径向基插值提高了代理模型的推广能力。

小波神经网络学习的结构风险最小化方法

针对大噪声、小样本情形下神经网络学习的外推能力弱这一突出的问题,根据统计学习理论中结构风险最小化准则的基本原理,提出了一种基于小波神经基元频率谱分布的小波神经网络阵列结构和基于小波多分辨逼近、综合风险分析的小波网络学习算法.该方法充分发挥了小波神经网络的优点,理论基础可靠,实际意义明确,算法实现简便,自适应性强.仿真实验结果和应用实例说明了该方法对于非线性系统在线辨识的有效性,同时也为统计学习理论的工程应用提供了新的途径.*

基于模糊随机样本的结构风险最小化原则

基于模糊随机样本,提出了熵、退火熵、生长函数和VC维等概念,并在此基础上构建了基于VC维的学习过程一致收敛速度的界;给出了基于模糊随机样本的结构风险最小化原则(FSSRM原则),证明了基于FSSRM原则下收敛速度渐进分析的相关性质。

神经网络结构风险最小油气预测

张向君 ,李幼铭 ,刘洪 .神经网络结构风险最小油气预测 .石油地球物理勘探 ,2 0 0 2 ,37(1) :73～ 76本文基于统计学习理论中的结构风险最小化原理 ,从理论上给出了神经网络的结构设计方法和实现过程。该方法能自适应地扩展神经网络的容量 ,从而完成网络的结构设计 ,并且在有限样本的情况下 ,最大限度地提高网络的训练精度和泛化能力 ,进而提高神经网络预测结果的可靠性。此外 ,文中给出了本文方法在吉林油田开发区块储层油气检测的应用实例 。

基于结构风险最小化的加权偏最小二乘法

为了在偏最小二乘法(PLS)建模过程中实现结构风险最小化(SRM),提出基于结构风险最小化的加权偏最小二乘法(WPLS)。WPLS先提取训练样本中的主元,然后使用支持向量机(SVM)训练算法计算训练样本权值,最后计算原始论域中的回归模型。该算法保留了PLS能有效地提取对系统解释性最强的信息的优点,并通过样本权值提高模型的泛化能力,从而实现SRM准则,所建立的模型具有可解释性。仿真计算证明了模型的有效性。

基于复随机样本的结构风险最小化原则

统计学习理论目前是处理小样本学习问题的最佳理论.然而,该理论主要是针对实随机样本的,它难以讨论和处理现实世界中客观存在的涉及复随机样本的小样本统计学习问题.结构风险最小化原则是统计学习理论的核心内容之一,是构建支持向量机的重要基础.基于此,研究了基于复随机样本的统计学习理论的结构风险最小化原则.首先,给出了标志复可测函数集容量的退火熵、生长函数和VC维的定义,并证明了它们的一些性质;其次,构建了基于复随机样本的学习过程一致收敛速度的界;最后,给出了基于复随机样本的结构风险最小化原则,证明了该原则是一致的,同时推导出了收敛速度的界.

基于结构风险最小化和全最小二乘法的色彩校正

该文提出了一种局部回归色彩校正算法。该算法从结构风险最小化原理出发,提出以全最小二乘法残差为经验风险,选取校正颜色点的K近邻域,采用局部回归进行色彩校正。实验结果表明该文算法在精度和鲁棒性方面均优于多重回归校正以及分区回归校正,其平均误差、最大误差,误差标准差分别下降了46%(27%),57%(21%),42%(20%)。

基于结构总体最小二乘的多传感器定位算法

多部二维传感器组网定位时,为充分利用各传感器量测并减小地球曲率对观测的影响,建立了大场景下考虑地球曲率的三维空间观测定位模型,提出了此场景下融合测距信息的方位结构总体最小二乘定位算法。该算法首先根据各传感器的方位角量测信息使用结构最小二乘法初步定位,然后利用观测模型融合各传感器的距离量测提高定位精度并最终得到目标位置估计。仿真实验证明了该方法在多部2D传感器组网情况下对三维空间内目标定位的实际性和有效性,适用于工程利用。

混合结构总体最小二乘参数估计

为解决当系数矩阵由常数列和非常数列组成,非常数列含有重复元素时传统混合总体最小二乘估计理论不够严密的问题,提出混合结构总体最小二乘参数平差模型,根据非线性最小二乘平差理论推导了混合结构总体最小二乘参数平差的迭代计算公式,并分别模拟计算了观测向量元素所受误差干扰量等于、大于和小于非常数列中非重复元素误差干扰量三种情况。实验结果表明:混合结构总最小二乘法不仅能够同时估计出系数矩阵常数列和非常数列所对应的参数值,而且能够对常数元素赋予零改正值,不同位置的同一元素赋予相同的改正值,单位权中误差估计值更接近模拟值;在系数矩阵非常数列中非重复元素所受误差干扰量大于观测矢量所受误差干扰量时,混合结构总体最小二乘参数平差法的参数和单位权中误差估计结果明显更接近于真实值。

自回归模型参数的结构总体最小二乘估计

结构总体最小二乘法不仅考虑系数矩阵误差,而且顾及系数矩阵(或与观测矢量组成的增广矩阵)中重复元素必须具有相同改正数的约束,平差精度比最小二乘法高,理论比总体最小二乘法更加严密。采用间接平差理论推导在观测矢量和系数矩阵都含有相同重复元素情况下的结构总体最小二乘迭代算法;最后通过数字实验证明该算法的可行性,有效性以及该方法实现自回归模型参数估计的优越性和可靠性。

结构风险最小化近邻分析解决大规模训练集支持向量机学习问题

SVM是利用靠近边界的少数向量来构造最大间隔的分类超平面,当海量样本之间存在相互混迭时,支持向量数目急剧增加,导致训练难度增大。针对该问题,本文将结构风险最小化近邻分析与支持向量机相结合构成了一种新的SVM学习方法。它首先根据各个训练数据的类间最近邻距离利用结构风险最小化近邻分析选择训练子集;在选择的样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后加入附加剩余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明本文提出的算法具有良好的性能,特别是在训练样本庞大,支持向量数量较多的情况下,能够较大幅度的减少计算复杂度,提高分类速度。

一种实现结构风险最小化思想的结构自适应神经网络模型

本文提出了一种实现结构风险最小化思想的结构自适应神经网络学习模型,该方法运用遗传算法进行神经网络结构参数的学习,运用BP算法进行神经网络内部权值学习,有效地实现了结构风险最小化思想。与传统的基于经验风险最小的神经网络模型相比,它具存更强的自适应能力,能够弥补学习方法本身的缺陷,充分保证了模型的泛化能力。最后,将本文方法应用于非线性时间序列预测和模式识别,并与基于结构风险最小原则的支持向量机学习模型进行了比较,算例充分表明了本文方法的正确有效性。

基于随机粗糙样本的结构风险最小化原则

提出了退火熵,生长函数和VC维等概念,构建了基于VC维的学习过程一致收敛速度的界。然后以这些界为基础,给出基于随机粗糙样本的结构风险最小化原则。最后证明该原则是一致的并且推导出了关于渐近收敛速度的界。

粗糙随机样本的结构风险最小化原则

介绍了粗糙随机理论的基本内容,提出了退火熵、生长函数和VC维等概念.并在此基础上构建了基于VC维的学习过程一致收敛速度的界;随后给出了粗糙随机样本的结构风险最小化原则;最后证明了在此原则下收敛速度渐进分析的一些相关性质.