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.

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。

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.

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。

距离观测方程非线性平差的正则化共轭梯度法

基于稳定泛函约束思想,推导了距离观测方程非线性平差的正则化共轭梯度法。该算法将稳定泛函约束作用于共轭梯度法,解决了共轭梯度法求解病态测距定位方程的不稳定甚至不收敛的问题,提高了正则化数值算法的收敛效率,最后采用模拟数据和水下定位实测数据进行了验证。实验结果表明,该算法具有较好的收敛稳定性,收敛效率优于迭代正则化算法。

基于正则化的诱导极化数据共轭梯度法的Cole-Cole模型反演

诱导极化(IP)现象的建模对于开发一种有效的地下地质遥感方法是十分重要的。然而,定量解释诱导极化数据在复杂的三维环境仍然是一个具有挑战性的应用地球物理问题。文章提出了一种基于表面诱导极化数据的Cole-Cole模型四参数三维分布的确定方法。

用于电容层析成像技术的共轭梯度算法

针对电容层析成像技术中的“软场”效应和病定问题,基于灵敏度矩阵的奇异值分解理论,提出共轭梯度图像重建算法及其改进算法———正则化共轭梯度法.仿真实验得知:经过 200次迭代后,Landweber算法残差为0. 139 5,未加正则化的共轭梯度算法残差为 1. 357 7×10-4;完成同样操作,Landweber算法迭代耗时 9. 3s,共轭梯度法只需 6. 8s.可见,共轭梯度法是一种比其他的迭代算法收敛更快、成像效果更好的图像重建算法.

求解不可微凸优化问题的充分下降共轭梯度法

给出求解不可微凸优化问题的一类具有充分下降条件的共轭梯度法。该类方法是基于Moreau-Yosida正则化策略和传统的共轭梯度法设计的。理论分析表明:该类方法在一定条件下是全局收敛的。

二维波动方程测井约束反演的自适应同伦共轭梯度法

波动方程反演问题在许多领域中具有广泛应用,它面临非线性、不适定性和计算量巨大的问题。针对波动方程反问题的特点,以二维波动方程反问题为数学模型,通过利用地震资料和测井资料联合反演技术,将同伦共轭梯度法与测井约束相结合,对模型的速度参数进行联合反演,以获得完整的速度参数分布信息,从而使波动方程反演具有更强的抗噪能力和更高的计算精度。

求解线性逆问题的谱共轭梯度法

针对线性逆问题,把原问题的算子方程转化为带有Tikhonov正则项的无约束优化问题,提出一个求解线性逆问题的新谱共轭梯度法,并证明算法的全局收敛性.数值结果表明,新算法是有效的.

信赖域-共轭梯度法在麦克斯韦方程参数识别中的应用

针对麦克斯韦方程中的电导率参数识别问题,构造出具有全局收敛性的正则化信赖域共轭梯度算法。此参数识别算法充分融合了最优化领域的传统优化方法—共轭梯度法和新型优化方法—信赖域方法以及正则化方法的优点,使得这种算法具有较强的全局搜索能力,能够很好地应用于麦克斯韦方程的参数识别问题。

总体最小二乘正则化算法的载荷识别

载荷识别中存在病态矩阵求逆的不稳定性将导致解严重失真。在总体最小二乘(Total Least Squares TLS)算法的思想上进行Tikhonov正则化,构造载荷识别的目标函数。然后利用共轭梯度(Conjunction Gradient CG)法解算该目标函数的最优化问题,提出一种算法易实现、收敛性能好、存储量小,且能全面考虑随机误差影响的CG-TLS正则化算法。经仿真和试验探讨了传递函数矩阵病态产生的原因,借助条件数优选振动响应点,最终检验CG-TLS正则化算法与常用的两种正则化算法在不同噪声水平时载荷识别的效果。结果表明,CG-TLS正则化算法载荷识别效果最优,与真实值吻合好,并具有良好的鲁棒性。因此,应用CG-TLS正则化算法实现载荷识别极具实际意义。

基于正则化条件的地震数据局部信噪比估计方法

信噪比是衡量地震数据质量的重要指标之一,在地震数据处理和解释中有着重要的作用.目前已有的地震数据信噪比估计方法往往得到的是整个数据的全局信噪比,这种方法只能说明地震数据总体质量的好坏,无法直观细致地刻画地震信号的局部质量.本文提出一种基于正则化条件的局部信噪比估计方法.该方法的基本原理是使用正则化共轭梯度法求解局部信噪比最优解,正则化算子的参数将控制地震信号各点数据局部信噪比的平滑性.其中应用一种基于"过滤波"的级联信号估计方法来计算有效信号,该方法利用有效信号和噪声的相关性特征计算局部信噪比中的有效信号.局部信噪比估计方法利用了信号中每个数据点及其邻域各点的局部信息,避免了使用单个数据点而可能出现的信噪比不合理值,而且局部处理能够减少全局噪声对信噪比估算的影响,该方法可以更准确地表征地震资料信噪分布特征.另外,局部信噪比对去噪方法的评估也具有重要意义.理论模型测试和实际资料处理结果表明,局部信噪比估计方法能够准确反映任一给定地震信号剖面的局部信噪比特征,为非平稳地震数据质量评估提供了直观的评判标准.

动态载荷时域识别的联合去噪修正和正则化预优迭代方法

系统响应可表示为单位脉冲响应函数与激励载荷的卷积,将其离散化一组线性方程组,则载荷识别问题即转化为求解线性方程组的反问题。针对响应中带有噪音时载荷识别的困难,提出了联合奇异熵去噪修正和正则化预优的共轭梯度迭代识别方法。一方面对含噪信号进行基于奇异熵的去噪处理,提高反问题求解中输入数据的精度。另一方面利用正则化方法对共轭梯度迭代算法进行预优,改善反问题的非适定性。由于从输入的响应数据去噪和正则化算法两方面同时改善动态载荷识别反问题的求解,因此可以有效地抑制噪声,提高识别精度。通过数值算例分析,表明在不同的噪声水平干扰下,其识别精度均优于常规的正则化方法,能够实现有效稳定地识别动态载荷。最后通过实验研究进一步验证了该方法的正确性和有效性。

带先验知识的波阻抗反演正则化方法研究

针对波阻抗反演中存在的不适定性问题,本文提出了一种带先验知识的正则化重开始共轭梯度法.该方法的内层循环采用修改的共轭梯度法,并使用重开始技巧;外层循环使用Morozov偏差准则作为停机准则.正则参数的选取采用连续几何选取法.克服了传统共轭梯度法迭代不足或迭代过度的缺点,将迭代步数控制在了合适的范围,使算法能够更快速更准确的收敛.同时考虑了用最速下降法计算先验解和对解施加非均一的规范约束.通过理论模型试算和实际资料处理,并与共轭梯度法进行对比,表明该算法具有精度高、抗病态能力强,运算速度快的优点,具有实用性.

基于稀疏约束的自适应正则化迭代重建算法

本文针对ASD-POCS算法中约束项权重对不同应用的多变性引起的算法鲁棒性差等问题,提出了一种基于稀疏约束的自适应正则化迭代重建算法,该算法采用一种Lagendijk型的正则化策略构造最优化问题,分别采用局部方差、图像能量估计自适应地求取加权对角矩阵和全局正则化参数。最优化问题的求解过程中,采用SART算法和共轭梯度法求解保真项和约束项最优化问题。实验结果表明,AR-SART-CG算法能更好地权衡恢复图像边缘和平滑噪声的关系,更好地调节保真项和约束项的权重,得到更高质量的重建图像。

大地电磁非线性共轭梯度一维反演

非线性共轭梯度(nonlinear conjugate gradient,NLCG)反演法具有较好的稳定性和反演精度,在二维反演中得到了广泛的应用,但是正则化因子选取困难以及计算量较大等问题限制了其在一维反演中的应用。针对上述问题,结合一维反演实际,提出了一种改进的NLCG优化算法。该算法以Bostick反演结果为初始模型,采用正则化因子自适应迭代调整方案,每次迭代时根据目标函数自动调整正则化因子,无需再对正则化因子进行不断尝试反演;简化了预处理因子和最优步长的计算,用单步线性搜索法代替迭代法求最优步长;对反演结果进行优化并做二次NLCG反演,进一步提高了反演精度,使非线性共轭梯度一维反演算法更高效。通过几个模型算例分析了优化算法的有效性。实际大地电磁数据NLCG反演结果与钻井资料吻合好、精度高;与Occam反演结果相比分层更加清晰,未出现异常高阻层,对地下电性结构的划分更加可靠。