单位球上散乱数据核正则化回归的误差分析

给出基于二次损失的单位球盖(单位球)上确定型散乱数据核正则化回归误差的上界估计,将学习误差估计转化为核函数积分的误差分析,借助于学习理论中的K-泛函与光滑模的等价性刻画了学习速度.研究结果表明学习速度由网格范数所控制.

基于相关熵损失的核正则化回归学习速度

最大相关熵回归在信号处理领域有广泛应用,其收敛性分析是机器学习领域中的热门研究课题.本文给出一种新的误差分析框架,将非凸优化问题转化为局部凸优化问题,然后应用凸分析方法给出最大相关熵回归(MCCR)收敛性的理论分析;将最优化回归函数表示成一种积分方程的解,用K-泛函和再生核Hilbert空间最佳逼近表示泛化误差,给出学习速度的一种上界估计.

基于正则化局部自适应核回归的单点高密度地震资料随机噪声压制方法

单点高密度地震资料的波场信息丰富,但同时存在信噪比较低、有效信号严重混杂在噪声中的问题。经典核回归法可以在地震数据中同相轴连续的区域获得近似最佳的滤波效果,但在同相轴突变区域容易造成边缘模糊。为了更有效地处理地震数据,研究了正则化局部自适应核回归(RLASKR)方法进行随机噪声压制。传统核回归法将空间距离作为唯一的回归函数影响因素,而正则化局部自适应核回归方法综合考虑了空间距离和灰度距离,核函数的形状随着不同区域数据样本的特征而变化,因此地震记录中的同相轴边缘信息能够有效地保存下来。模型记录和实际地震数据测试都显示出该方法的灵活性和有效性,验证了该方法在振幅保真和噪声压制方面比传统核回归法有着更好的效果。