一种基于正则化模型的Dai-Liao共轭梯度法

给出一种基于正则化模型的Dai-Liao共轭梯度法.首先,通过极小化3次正则化模型,得到新的Dai-Liao参数t,并在此基础上根据函数在迭代点附近的性质,产生一个自适应的Dai-Liao参数;其次,结合改进的Wolfe线搜索,提出一种基于正则化模型的Dai-Liao共轭梯度法;最后,证明该算法的搜索方向满足充分下降性,并在一般假设下建立该算法的全局收敛性.数值结果表明该算法有效.

基于复合正则化的稀疏SAR成像方法研究

随着高分辨率对地观测要求的不断提高,合成孔径雷达(Synthetic Aperture Radar,SAR)的应用将越来越广泛。针对高分辨率SAR成像存在数据量大、存储难度高、计算时间长等问题,目前常用的解决方法是在SAR成像模型中引入压缩感知(Compressed Sensing,CS)的方法降低采样率和数据量。通常使用单一的正则化作为约束条件,可以抑制点目标旁瓣,实现点目标特征增强,但是观测场景中可能存在多种目标类型,因此使用单一正则化约束难以满足多种特征增强的要求。本文提出了一种基于复合正则化的稀疏高分辨SAR成像方法,通过压缩感知降低数据量,并使用多种正则化的线性组合作为约束条件,增强观测场景中不同类型目标的特征,实现复杂场景中高分辨率对地观测的要求。该方法在稀疏SAR成像模型中引入非凸正则化和全变分(Total Variation,TV)正则化作为约束条件,减小稀疏重构误差、增强区域目标的特征,降低噪声对成像结果的影响,提高成像质量;采用改进的交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)实现复合正则化约束的求解,减少计算时间、快速重构图像;使用方位距离解耦算子代替观测矩阵及其共轭转置,进一步降低计算复杂度。仿真和实测数据实验表明,本文所提算法可以对点目标和区域目标进行特征增强,减小计算复杂度,提高收敛性能,实现快速高分辨的图像重构。

基于重加权L1的ATpV正则化叠前反演方法

地震叠前反演能够准确获取地下储层介质的各类参数,是油气的勘探与开发中重要技术之一。然而,地震反演是典型的病态问题,为了克服此问题,通常使用正则化约束目标函数,来减轻反演问题的病态性。但是正则化约束忽略了地层边界的振幅信息,使用重加权方法可以很好地克服这一问题,更好地恢复稀疏性。提出了一种基于重加权L1的ATpV正则化叠前三参数反演方法(ATpV-L1方法),首次将重加权L1方法与ATpV方法结合,并引入到叠前反演中。采用交替方向乘子算法(ADMM)建立反演框架,对目标函数进行分块优化,有效提高了收敛速度。首先,介绍ATpV-L1方法,建立了基于ATpV-L1的叠前反演目标函数;然后,应用理论模拟数据对比新方法和ATpV方法反演结果,验证了方法的效果;最后,使用实际数据进行实验分析,进一步验证了ATpV-L1方法的反演精度及可行性。实验结果表明,提出的ATpV-L1方法可以有效恢复反演结果的稀疏性,提高反演精度。

基于初至波走时层析成像的Tikhonov正则化与梯度优化算法

初至波走时层析成像是利用地震初至波走时和其传播的射线路径来反演地下介质速度的技术.该问题本质上是一个不适定问题,需要使用正则化方法并辅之以适当的最优化技巧.本文从数值优化的角度介绍了初至波走时层析成像的反演原理,建立了Tikhonov正则化层析成像反演模型并提出求解极小化问题的加权修正步长的梯度下降算法.该方法可以从速度模型的可行域中迭代找到一个最优解.数值试验表明,该方法是可行和有应用前景的.

二维大地电磁正则化共轭梯度法反演算法

针对大地电磁二维反演中目标函数收敛速度慢而且解的稳定性较差等问题,提出了大地电磁数据的正则化共轭梯度法反演算法(Regularized Conjugate Gradient Algorithm,RCGA)。此算法在构建目标函数时引入正则化的思想,利用共轭梯度法求解最优化问题。在每次迭代过程中根据目标的收敛情况更新正则化因子,有效地解决了迭代时目标函数发散的问题。最后对两个典型模型进行了试算,对其收敛速度及解的稳定性进行了分析,并与传统反演方法的计算结果进行了对比,结果都表明RCGA具有收敛速度快、精度高、结果稳定等优点。

基于ω循环型预条件共轭梯度法正则化的偏移成像

本文在傅里叶有限差分法(FFD)的基础上,通过引入正则化方法对FFD中的差分校正项进行优化,然后应用ω循环型预条件共轭梯度法(PCG)对该差分校正项进行求解。引入PCG具有如下优点:1避免使用分裂法,不会产生人为的方向差异;2可以提高二阶差分的精度,即对于PCG而言,二阶差分项的高阶展开,既不增加算子的复杂度,又几乎不会增加计算量;3可以引入快速傅里叶变换(FFT)进行快速计算,较适用于大型数据处理。本文的主要工作是通过引入ω循环型边界条件,结合正则化方法,有利于克服傅里叶变换处理中的边界效应,利用有限增加的计算量实现反演计算的快速收敛。数值计算验证了基于FFD的ω循环型PCG正则化叠前深度偏移方法的正确性及有效性。

用于近场声全息正则化的共轭梯度法

提出采用共轭梯度正则化方法稳定基于分布源边界点法的近场声全息重建过程,控制测量误差对重建结果的影响。共轭梯度法中的最佳迭代次数通过在全息面与源面之间布置一个小型辅助面,并通过最小化测量值与重建值之间的相对误差来选取。与Landweber迭代正则化方法相比,该方法同样具有较高的重建精度,但迭代时间却大大减少。对实际声源的实验研究验证了采用共轭梯度正则化方法控制近场声全息重建误差影响的有效性及其优越性。

基于美学梯度法的人工智能风格化绘画系统

当前Stable diffusion等人工智能绘画模型在绘画时难以直接控制图像风格,同时风格模型训练仅针对单种风格。针对该问题,提出了一种基于美学梯度法的人工智能风格化绘画系统,以实现多种图像风格的控制和融合,并提供更加便捷的图像创作体验。收集并分析网络用户数据,结合问卷得到用户对图像风格的感性需求;根据感性需求收集各风格图像数据得到对应的风格图像训练集。使用梯度下降算法计算风格化文本编码器的权重,实现生成图像风格化的效果。通过可用性测试对比用户对该系统与传统人工智能绘画系统产出图像的风格满意程度,结果表明:人工智能风格化绘画系统的平均满意度相较传统人工智能绘画系统提升23%,表明人工智能风格化绘画系统在图像风格生成上具有更好的效果,可满足用户对图像风格的需求。该人工智能风格化绘画系统可以更便捷地实现图像风格调整,允许用户直观选择不同风格的权重,便捷使用一种或多种风格,能够有效满足用户对图像风格设计的需求。

迭代再权共轭梯度q范数正则化线性最小二乘–支持向量机分类算法

L2范数罚最小二乘–支持向量机(least square support vector machine algorithm,LS–SVM)分类器是得到广泛研究和使用的机器学习算法,其算法中正则化阶次是事先给定的,预设q=2.本文提出q范数正则化LS–SVM分类器算法,0<q<∞,把q取值扩大到有理数范围.利用网格法改变正则化权衡参数c和正则化阶次q的值,在所选的c和q值上,使用迭代再权方法求解分类器目标函数,找出最小分类预测误差值,使预测误差和特征选择个数两个性能指标得到提高.通过对不同领域的实际数据进行实验,可以看到提出的分类算法分类预测更加准确同时可以实现特征选择,性能优于L2范数罚LS–SVM.

基于有约束L_(1/2)范数稀疏正则化的声源识别方法

基于等效源法(equivalent source method,ESM)的近场声全息(near field acoustic holography,NAH)是一种有效的声源识别技术。然而,针对空间稀疏分布的声源识别问题,传统基于L_(2)范数以及基于L_(1)范数的ESM方法分别存在声源幅值被低估与算法稳定性差等问题。因此,提出了基于有约束L_(1/2)范数稀疏正则化的声源识别方法,该方法具有强稀疏性与强抗干扰的优势,可以解决传统方法的声源识别精度低的问题。通过数值模拟试验以及普通室内的实测实验,验证了方法的有效性。

基于动态步长交替方向乘子法正则化极限学习机

为解决交替方向乘子法(alternating direction method of multipliers,ADMM)正则化极限学习机(regularized extreme learning machine,RELM)迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM.该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重.在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机(extreme learning machine,ELM)、正则化极限学习机(regularized ELM,RELM)和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验.结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3~5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本的场景下建模效率逼近标准极限学习机.该方法有效提升了ADMM算法的收敛速度,取得了比主流ELM算法更加优秀的性能表现.

杆系结构的梯度正则化法(GR)参数反演

反问题在工程上的应用是当今的热门话题，然而在建筑工程上的应用却尚未充分展开。ＧＲ方法是一种较新的求解反问题的手段。本文采用ＧＲ方法，从理论上解决了平面任一杆系结构混凝土弹性模量ＲＣＥ的反演问题，并形成了具有一定通用性的软件。

解不适定算子方程的多步正则化梯度法

根据求解动力系统的数值方法,得到几个多步正则化梯度法.分别利用先验准则和后验准则,在适当条件下,得到这些方法的统一收敛性.

非凸稀疏正则化的广义条件梯度算法

提出一种具有非凸、非光滑的α‖·‖l1-β‖·‖l21(α>β≥0)罚项的正则化泛函,并且构造了一种新的迭代算法来求解带有αl1-βl2约束的非线性稀疏正则化.该算法利用广义条件梯度算法,将其推广到带有非凸稀疏罚项的非线性正则化方程中,构造出一种适用于非凸稀疏正则化的软阈值算法,并给出了该算法收敛性的证明.

各向异性的L_(0)正则化图像平滑方法

现有的图像平滑方法缺乏灵活性,会导致边缘不清晰、结构缺失和过度锐化等问题。文中提出一种新的自适应加权矩阵的正则化方法,主要应用于图像平滑,并且可以扩展到其他应用。提出的模型设计了一个新的正则化项,基于梯度算子▽和自适应加权矩阵T组合为L_(0)范数正则化项,使得模型具有各向异性。通过为不同梯度方向赋予不同的权重,以此来刻画平滑图像的局部结构,更好地展现局部特征,防止过度平滑。由于所提出的模型是非光滑且非凸的,在求解上比较复杂,因此采用ADMM算法对模型进行求解。把目标函数分解成几个易求解的子问题,分别对每个子问题求解,最终得到模型的最优解。主客观实验表明,提出的模型在视觉效果以及数值方面都有明显的提高。

超光谱图像数据中的正则化张量补全算法

数字图像的高效处理技术被广泛应用于大数据和人工智能各个领域,尤其是超光谱图像处理问题,目前已成为学术研究的热点。超光谱图像数据常以高维数组形式存储,然而常用的高维数组矩阵化方法因无法准确诠释其内部结构而缺乏泛化能力。提出了一个新的张量补全算法来重构超光谱图像并进行相应数据分析。首先,建立一个适合超光谱数据处理的带正则项的张量核范数优化模型。其次,针对所构造的张量优化模型,提出一个高效的变参数交替方向多乘子算法进行求解,并建立算法的收敛性理论。最后,通过与当前一些有效的算法进行多维度比较与分析,验证算法的可行性和有效性。

一个新的正则化张量补全算法及其在图像处理与超光谱数据分析中的应用

非负张量补全问题是在已知特定区域的张量数据集前提下,对部分受干扰、破坏的数据进行修复或补全以达到还原数据集和揭示事物本质的目的.本文引入一种修正的交替方向多乘子算法并结合正则化策略来求解非负张量补全问题,同时给出算法的收敛性定理和结论.最后,将该算法应用于超光谱图像处理及其数据分析中.数值结果表明所提出算法的有效性.

扩散方程反问题的正则化方法

研究了从终端观测数据重构扩散方程中辐射系数问题的一种正则化方法。对于带有噪声数据的终端观测值,运用磨光化的正则化方法,得出重构问题近似解的误差估计以及收敛速率。

重磁数据的重加权正则化共轭梯度法约束反演

重磁异常的物性线性反演多是欠定问题求解,求解不仅具有明显的不稳定性,还会导致其垂向分辨率大大降低,反演的“趋肤效应”明显。针对重力数据反演中的这一问题,引入重加权正则化共轭梯度法的约束反演,即在目标函数中加入正则化方程加以约束,以深度加权函数对核矩阵进行补偿,在反演过程中实现了正则化因子的自适应选择。引入了PRP公式,改善了反演的计算效率和计算精度。引用一个相对复杂的Y型岩脉的重磁加噪数据,对比分析了FR公式和PRP公式下的重力反演和磁异常反演的结果,并对马角坝3号地质剖面磁异常数据进行了磁反演,论证了算法的有效性和可靠性。

数据拟合问题的正则化伴随共轭梯度法

针对求解多元数据拟合问题的最小二乘法在退化情形下是不适定问题的特点,采用Tikhonov正则化方法进行处理,并给出求解正则化方程的伴随共轭梯度法。