拉格朗日支持向量回归的有限牛顿算法

拉格朗日支持向量回归是一种有效的快速回归算法,求解时需要对维数等于样本数加一的矩阵求逆,求解需要较多的迭代次数才能收敛。采用一种Armijo步长有限牛顿迭代算法求解拉格朗日支持向量回归的优化问题,只需有限次求解一组线性等式而不需要求解二次规划问题,该方法具有全局收敛和有限步终止的性质。在多个标准数据集上的实验验证了所提算法的有效性和快速性。

应用修正正交有限内存拟牛顿算法的全波形反演

全波形反演(FWI)通过最小化观测数据与计算数据之间的误差,得到高分辨率的地下模型参数。正则化技术常用来克服FWI的不适定性。复杂地质模型可能同时具有平滑特征及锐利边界,单一的正则化方法往往不能得到令人满意的反演结果。为此,针对带有混合正则化的目标泛函不可微性,提出一种修正正交有限内存拟牛顿方法,求解相应的正则化目标泛函。在具有复杂构造的修正Marmousi模型以及BG Compass模型上进行数值模拟试验,且与不带有正则化的全波形反演及邻近有限内存拟牛顿方法进行比较,结果表明所提修正正交有限内存拟牛顿算法在计算效率及定量分析上具有明显的优越性。

神经网络在智能火灾预警系统的应用

提出了综合利用多种传感器准确判断火焰状态的算法。在神经网络算法下,根据一氧化碳传感器、烟雾传感器和温度传感器数据,对火焰状态进行分类。使用有限内存的拟牛顿(L-BFGS)优化算法对传统反向传播(BP)算法进行改进,加快了神经网络的收敛过程,有效提高了系统精度。实验验证了算法能够有效降低火灾预警系统的误报率,增强系统安全报警的灵敏度和可靠性,实现了实时有效的火灾预警。

一种求解贝叶斯模型平均的新方法

贝叶斯模型平均(Bayesian model averaging,BMA)是最近提出的一种用于多模式集合预报的统计方法.进行贝叶斯模型平均需要准确估算模型集合中每个竞争模型的权重与方差,经常采用的方法是期望最大化(Expectation-Maximization,EM)方法与马尔可夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,两种方法各有优劣.本文首先对BMA的(对数)似然函数进行改进使之无需BMA权重之和为1的显式约束,并利用一种有限记忆的拟牛顿优化算法(LBFGS-B)对其进行极大化,由此提出了一种求解贝叶斯模型平均的新方法(BMA-BFGS).采用三个陆面模式进行的土壤湿度多模式数值模拟试验表明:在计算精度方面,BMA-BFGS的精度与MCMC方法几乎一致,优于EM算法;在计算耗时性方面,BMA-BFGS的计算耗时与EM算法相当,远小于MCMC方法.