区分性投影结合最小L1球覆盖的可拒识双层分类器

经典分类模型总是假定测试样本属于训练类之一,然而在网络安全、身份识别、医学诊断等非合作模式识别中往往存在许多非训练类例外模式,这时由于分类器缺乏拒识能力,只能给出错误判决。为此,本文构造了一种基于区分性投影结合最小L1球覆盖的可拒识双层近邻分类器。该方法针对一类分类器忽略类别间区分性描述的不足,定义一种能够表征各训练类模式细节信息的差分矢量,形成新的差分特征。在差分特征空间进行L1范数最大化主成分分析(Ll-normmaximization principal component analysis,PCA-L1)构建新的区分性投影方法即差分矢量PCA-L1特征提取。然后,在投影空间对各类别分别建立最小L1球覆盖决策边界,这样对于输入的测试模式,便可做出拒识或者接受处理的判决。最后,针对接受的输入模式,再通过最近邻测试得到识别结果。在UCI数据库、MNIST手写体数据库和CMU AMP人脸表情数据库上的实验结果表明本文方法对训练类测试样本具有较高正确识别率的同时,同时能够对非训练类测试样本进行有效地拒识,在实际模式识别领域具有一定的应用价值。

最小L_1范数实现周期非均匀采样与重构研究

根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。结合最小L1范数算法,提出了一种针对稀疏信号的周期非均匀采样与重构方法,分析了最小L1范数算法在周期非均匀采样系统中的完整重构条件。最后,以多带正弦信号为例,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。

一种适用频谱检测技术的最小l_1范数改进算法

压缩感知(compressed sensing)理论是近两年信号处理领域方兴未艾的一个热门研究方向,它的出现突破了奈奎斯特采样定理对信号频率的限制。最小l1范数法(即BP算法)是压缩感知中信号若干种重构方法中比较成熟的一种算法。文中在对已有的BP算法进行了研究后,提出了一种适用于噪声环境下的加权迭代l1算法,并将之应用于认知无线电的频谱感知中,经过MATLAB仿真的对比后,验证了改进之后的算法对提高含有高斯白噪声的信号重构的精确度有着更加精确的效果。

最小L_1-模估计与有界线性规划问题

对任意有限制的有界解集的线性规划问题与从最小L_1-模估计导出的线性规划问题的对隅形式等价性的定理证明做了改进,并从这一定理出发,利用求解线性规划的有效集法得到了求解有界线性规划问题的一阶段方法。

基于最小l_1稀疏图表学习分类的图像识别方法研究

利用信号的稀疏性建立图像分类处理模型是图像识别技术的新应用。通过分析最小l1范数稀疏性的原理,本文导出了一种最小l1范数稀疏性十字"花束"多面体实现模型,并在此基础上,构造了一种l1图表学习分类算法。通过与几种常用的图像分类算法比较,实验结果说明,本文提出的l1图表学习分类算法具有更高的分类精度和有效性。

基于最小L1范数的方法估计码片内延时

所要传输的已知单周期PN码信号是通过多条带有加性噪声的路径到达接收端,因此问题就在于估计路径的数目以及与每一条路径相对应的小于单个码片间距的时延和衰落幅度。文中在基于最小L1范数的加性调整条件下,提出了一种新的去卷积方法。由此衍生出的最优化问题则通过转化为二次规划,利用其标准程序进行简便快捷的求解未知量。在复杂的条件下这种方法比其他方法更加的适用。

基于改进l_1范数最小化组合算法的欠定盲源分离

基于稀疏假设,欠定盲源分离问题一般可采用线性规划、最短路径法和组合算法等l1范数最小化方法进行求解,但是这些传统方法对源信号的稀疏性要求较高,从而限制了源信号的估计精度。为此,本文提出了一种改进的l1范数最小化组合算法.该算法根据一定阈值找到与最小l1范数解最接近的若干次优解,将这些次优解和最小l1范数解进行加权叠加,并替代最小l1范数解,作为源信号的估计。采用语音信号的仿真实验表明,对于观测信号个数不太小的高维混合情况,该算法的源信号估计精度能够比传统的l1范数最小化组合算法提高10%左右。

基于l_1范数最小化的水下圆柱壳振动声辐射预报

基于模态叠加理论,将圆柱壳结构在流体中的响应以真空中振动模态形式展开,通过测点振动速度和模态矩阵建立以模态参与系数为未知量的欠定方程组。利用结构中低频段振动对应的模态参与系数的稀疏特性,采用l1范数最小化法求解基于测点振动所建立的欠定方程组,得到模态参与系数,从而重构结构振动速度场,最终采用边界元法进行声辐射预报。通过单层圆柱壳振动与声辐射实验结果和预报结果进行对比,验证了该预报方法的正确性。在此基础上,研究基于布置在内壳上的测点振动速度重构双层圆柱壳体结构振动和实现辐射噪声评估的可行性,并初步研究了测点数目和位置对预报精度的影响。

基于GPU的高效并行l_1最小化算法

多数l_1最小化算法主要由稠密矩阵矢量乘(如Ax和A^Tx)和矢量运算组成.为使其适应大数据环境下的性能需求,基于GPU,利用其新的特征,提出了两个新颖的基于GPU的并行矩阵矢量乘.这两个算法实现了全局内存的合并访问,对任意给定矩阵,通过所使用的自适应分配线程数或warp数的策略,增加了鲁棒性.基于这两个算法,并以两个流行的l_1最小化算法为例:快速迭代收缩阈值算法(FISTA)和增广拉格朗日乘子法(ALM),提出了两个高效基于GPU的并行l_1最小化算法.实验结果验证了提出的算法是高效的,并有良好的性能.

基于L1最小范数法的波束形成方法参数研究

L1最小范数法的波束形成方法具有运行速度快、识别准确度高、分辨率好等优点,广泛应用于声源识别领域,然而因该方法参数选取较为困难,在使用中需要花费大量时间来试值。针对此问题,建立声源测量模型,研究不同条件下约束参数的取值。基于详细的理论推导与数值模拟仿真,分析约束参数[ε]与声源距离,信噪比和阵列孔径之间的关系。数值模拟结果表明:信噪比为10 dB到40 dB之间,测量距离大于0.5 m,测量阵列采用49个阵列单元时,可以实现声源的精确定位,并且约束参数的变化范围很小,在不同的频率下呈现一定的规律性。发现这种变化规律为参数选择提供了可靠的理论基础,可大大缩短取值的时间,具有很高的可行性。

基于加权l_1最小化的低复杂度波达方向估计算法

基于阵列协方差矩阵的稀疏表征和阵列响应矩阵的Khatri-Rao积,提出了一种低运算复杂度的波达方向估计算法.所提算法在减少未知数个数的同时,通过线性变换降低约束方程的维数,可有效减少优化问题的计算复杂度.为充分利用阵列协方差矩阵中蕴涵的信息,使用Capon谱的倒数作为权值构建出了加权l1最小化问题,这使得所提算法在降低运算量的同时能够获得较好的估计性能.仿真实验验证了所提算法的有效性.

基于加权L1范数最小化算法的地震数据重建方法研究

在地震勘探过程中,往往会因为某些不可抗拒的因素而造成地震数据不规则缺失,这将严重影响后续工作的处理,因此需要对缺失的地震数据进行重建。依据地震数据有效波具有连续性的特点,可采用加权L1范数最小化算法对缺失数据进行重建。实验结果表明:加权L1范数最小化算法具有重建精度高,抗噪声能力强的特点,对于工业生产极具应用价值。

一类复值l1范数最小化问题的复值投影神经网络算法

通过定义新的投影函数,提出一种连续时间的复值投影神经网络模型及其离散化算法,能完全在复域上解决一类复值l1范数最小化问题,并在理论上得到新模型及其离散化算法的稳定性和全局收敛性。数值实验进一步表明,新模型的离散化算法能有效地求解基于l1范数最小化的复值稀疏信号的重构问题。

基于L1范数的低场核磁共振T_2谱稀疏反演方法

低场核磁共振技术(LF-NMR)以其无损、非侵入、原位和绿色等优势被广泛应用在食品、农业、能源和化工等行业,尤其是在食品安全监管领域发挥着越来越重要的作用.在油品品质检测中,常规非负奇异值分解(SVD)弛豫(T_2)谱反演方法,只能反映光滑模型的T_2谱,对于稀疏模型的反演结果存在较大差异,从而导致T_2谱反演分辨率低和品质分析不准确的问题.针对这一问题,本文提出基于L1范数最小化约束的T_2谱稀疏反演算法,建立NMR回波曲线的稀疏模型表达式,利用截断牛顿内点法求解L1范数最小化问题,得到稀疏模型的T_2谱反演结果.通过构造光滑模型的T_2谱、以及不同峰值数和信噪比的稀疏模型的T_2谱,对比非负SVD算法和L1稀疏算法的反演效果,得到当信噪比大于20 d B时,L1稀疏算法能精确反演多峰T_2谱,峰值幅度和峰位置均优于非负SVD算法结果.最后通过多组煎炸油样品进行低场核磁共振检测实验和不同信噪比数据的反演结果对比,验证了L1范数稀疏反演算法的准确性和优越性.

非负l^1图及其在谱聚类中的应用

信息图的构造对许多机器学习任务来说是至关重要的。基于稀疏表示理论,提出了一种有向非负l1图。在构造此图的过程中,先将每个样例表示成其他样例的非负线性组合,再通过求解l1最小化问题来同时获得近邻样例和对应的相似度。最后将基于非负l1图的谱聚类方法应用于手写字符的聚类问题。与基于l1图的谱聚类方法相比,所提方法具有较好的聚类性能和较低的计算复杂度。

基于快速l_1算法和LBP算法的木材缺陷识别

快速l1最小化算法是一种关于求解稀疏矩阵的算法,相对于传统的主成分分析l2范数,l1范数只需要计算图像主要特征的稀疏矩阵,对噪声和异常项具有更好的鲁棒性,且在木材识别领域使用较少。局部二元模式(Local binary pattern,LBP)是一种描述灰度范围纹理的算法,对于图像特征的描述有显著的效果。本文利用LBP提取不同木材截面RGB图像三层纹理的特征,用l1算法对特征矩阵进行快速、准确的匹配,检测出是否有缺陷,同时通过图像分块定位缺陷的位置坐标。实验表明快速l1算法结合LBP算子对木材缺陷定位正确率达到0.931。

基于l_(1/2)正则化的稀疏表示目标跟踪算法的研究

近年来目标的稀疏表示已经广泛应用到视频跟踪中。文中提出了一种基于局部稀疏表示的鲁棒目标跟踪算法,目标的表示将局部信息考虑在内,并且做出了遮挡处理。为了在新的帧中跟踪到目标,每一个候选目标通过在线构建的过完备字典以及模板解l1/2最小化问题稀疏表示。文中用l1/2规范最小化来代替l0,而不是用l1规范最小化,通过解l1/2最小化问题,可以找到比解l1最小化更稀疏、更精确的解。此外,l1/2比l0更容易求解。目标稀疏表示后,通过在线学习的分类器将目标区分出来。实验结果表明,与现有的一些算法相比,该算法稳定性好,性能更优越。

基于l1-l0模型的信号重构算法

提出了一个弹性无约束l1-l0正则化模型,基于光滑化处理后的模型,给出求解该模型的迭代算法。证明了该算法产生的解序列有界,且分析了算法的全局收敛性。最后给出数值实验结果,表明算法的有效性。

基于L_1范数和隐马尔可夫链的用电设备非侵入辨识方法研究

针对用电设备非侵入式负荷辨识精度不高、效率低等问题,在综合隐马尔可夫链模型(Hidden Markov chain Mode)后,提出了一种基于L1范数的稳态特征非侵入负荷辨识的方法。该方法将稳态谐波电流及稳态有功功率作为特征参数建立特征数据库,再通过边沿检测获取准确的稳态状态段,然后运用L1范数最小化算法进行迭代计算,同时以训练完毕的隐马尔可夫链模型对其进行修正,有效解决了传统模式识别类算法稳定性差、辨识效果不佳的缺陷。同时通过仿真和实验分析,对所提出的方法和传统的辨识方法进行了对比分析,结果证明该方法具有良好的辨识精度和辨识效率。

基于广义最小最大凹惩罚项的ISAR稀疏成像方法

介绍一种基于广义最小最大凹(generalized minimax concave,GMC)惩罚项的ISAR稀疏成像方法。该方法的惩罚项形式与L_1范数最小化方法不同,不仅使最小二乘损失函数凸性最小,而且避免了L_1范数最小化方法系统性幅值低估问题。通过仿真实验说明GMC算法在ISAR成像中的幅度保持特性。利用Yak-42飞机的实际数据进行ISAR成像,结果表明GMC算法在成像精度方面优势明显,具有更好的成像效果。