基于结合先验信息的最小支撑稳定器的三维重力正则化反演

如何将先验信息融入地球物理反演,进而改善反演的不适定性,一直是地球物理反演领域的研究热点。将先验信息直接融入目标函数的方法通常会增加目标函数的复杂性。为了不在目标函数上增加约束项,更加简单、方便地实现先验信息的融入,本文以三维重力正则化反演为例,将先验信息融入最小支撑稳定器,实现了对最小支撑稳定器的重构,并设计了单块体和双块体模型,进行对比试验。试验结果表明:相较于基于最小支撑稳定器的三维重力反演结果,基于结合先验信息的最小支撑稳定器的三维重力正则化反演更好地还原了异常体的几何形态和物性分布;此外,基于新方法反演的误差迭代曲线收敛更快,拟合精度更高。故此,通过最小支撑稳定器的重构实现先验信息的融入是可行的,该方法适用于三维重力反演,具有实现方便且不额外增加约束项的优点。

基于L1范数正则化和最小二乘优化的冲击载荷识别研究

为了改善冲击载荷识别问题的病态特性,最大限度提高识别精度,在时域内提出一种基于L1范数正则化和最小二乘优化的改进冲击载荷识别方法。采用L1范数正则化方法构建冲击载荷稀疏反卷积模型,使用截断牛顿内点法求解L1范数的最小二乘优化问题,同时根据预条件共轭梯度法确定最优搜索路径和计算方向。最后,考虑不同冲击工况、不同响应位置对识别结果的影响。通过对铝合金板进行冲击载荷识别试验进行验证,发现在铝板受单次冲击和多次冲击工况下所识别载荷与施加的实际载荷吻合良好。结果还表明,与Tikhonov正则化方法相比,该方法能够提高冲击载荷识别的准确性和稳定性。

结合粒子群优化和最小二乘法的1-D正则化反演方法

对于地球物理反演问题来说,确定性反演方法容易陷入局部最优解,而随机优化方法理论上能够收敛至全局最优解,因此一直备受关注。在众多随机优化方法中,粒子群优化(PSO)的原理简单且需要调整的参数少,已经应用于求解地球物理反演问题.为了克服反演的非唯一性问题,可以将模型约束加入PSO优化过程中.然而,在PSO迭代中采用固定的正则化参数,相当于默认模型约束保持在一定水平,从而导致反演结果极大的受到模型约束的影响。本文提出了一种混合方法PSO-RLSM,它将正则化最小二乘法(RLSM)与PSO方法相结合。正则化最小二乘法用于改进全局最优粒子并加速收敛,自适应正则化策略用于更新正则化参数以避免模型约束对反演结果的影响。本文以音频大地电磁合成和大地电磁实测数据为例,对比分析了正则化最小二乘法和混合算法的反演结果。经测试表明,本文所提出的混合算法的反演结果要优于正则化最小二乘法。另外,与标准的PSO算法相比,混合算法仅需要一个较为宽泛的模型空间,更小的粒子群和迭代步数,减少了反演所用的先验条件和运算量。

求解随机二阶锥线性互补问题的期望残差最小化方法

引入期望残差最小化(ERM)方法来求解随机二阶锥线性互补问题.在非负象限内,利用ERM方法求解随机线性互补问题是可行的,为此将非负象限内的随机线性互补问题延伸到二阶锥内.首先,介绍了二阶锥矢量相关的若尔当积及谱分解等预备知识.然后,通过二阶锥互补函数FB函数将随机二阶锥线性互补问题转化为极小化问题.以预备知识为基础证明了若尔当积下的x2与x 2的关系,并进一步证明了离散型目标函数解的存在性与收敛性.最后,证明利用ERM方法解随机二阶锥互补问题是可行的.

求解随机广义纳什均衡问题的期望残差最小化方法(英文)

本文研究了随机广义纳什均衡问题.利用互补理论中的NCP函数及拟蒙特卡罗方法,提出了期望残差最小化模型,给出了求解方法并获得了收敛性结果.该收敛性结果表明本文提出的求解方法是可行的.

Fisher正则化的最小二乘孪生支持向量机

最小二乘孪生支持向量机是一种有效的模式分类算法,然而每一个训练样本都对最终的决策平面有影响。如果训练集含有噪声或异常点,其会过度关注这些点,这可能导致最小二乘孪生支持向量机的判别能力较差。为了解决这个问题,受Fisher准则思想的启发,本文引入了双Fisher正则化项,并在此基础上提出了Fisher正则化的最小二乘孪生支持向量机。同时,在人工数据集和UCI数据集上验证了所提算法的有效性。

求解随机广义互补问题的期望残差最小化方法

由于广义互补问题有着广泛的应用,并且在实际应用中存在很多不确定因素。因此,本文主要考虑随机广义互补问题。通过所谓的NCP函数给出它的期望残差最小化(ERM)模型。由于所给出的ERM模型中含有一个积分计算。一般情况下,积分计算很难得到精确值。因此,本文引入拟蒙特卡罗方法,并用此方法给出ERM问题的近似问题。进一步,证明了在一定条件下,由ERM问题的近似问题得到的解的序列收敛到ERM问题的解。

基于正则化理论的时频分析方法及应用

时频分析方法在地震勘探中有广泛的应用,因而获得具有良好时频分辨率的时频分析算法至关重要。传统的时频分析方法存在着一定的局限性,为克服这些局限性,提出了基于正则化理论的时频分析方法。该方法认为,短时窗信号是不同频率谐波的叠加,应从求解反问题的角度考察时频分析问题。在此视角下,时频分析问题具有不适定性,为得到有意义的时频谱,需要在正则化理论框架下进行时频分析。考察了正则化理论中常用的L_(1)范数约束、L_(2)范数约束以及最小支撑约束条件下的求解方法,并将3种约束函数的求解方法统一到同一个求解框架中。通过数值分析表明,最小支撑约束的时频分析方法具有较高的时频分辨率。将方法系统应用于一个特定研究区的实际资料,获得了具有较高时频分辨率的时频数据体,并利用单频数据体清晰刻画了储层的平面展布范围,展示了方法良好的应用前景。

PPLS与稀疏鉴别流形正则化的双模型协同宽度神经网络

宽度神经网络(broad neural networks,BNN)被认为是继深度神经网络之后的一种主流机器学习算法,然而BNN没有考虑数据不确定性及局部几何结构信息。为此,提出概率偏最小二乘(probabilistic partial least square,PPLS)与稀疏鉴别流形正则化的双模型协同宽度神经网络建模方法。该方法首先使用PPLS对BNN输入特征以及增强特征构成的高维数据提取低维隐藏变量,消除数据不确定信息以及冗余特征;基于稀疏表示方法自适应构建样本局部与非局部近邻矩阵,并结合PPLS模型投影矩阵,提出一种新颖的融合模型信息迁移、鉴别流形正则化以及l_(2,p)-范数约束的BNN建模方法,有效增强BNN模型的鲁棒性、建模精度,同时消除数据的随机不确定性;最后给出迭代优化求解方法获取模型最优参数。在不同规模数据集、不同光照和角度图像数据集对所提算法进行仿真验证,结果表明该算法对不同规模数据集均能取得满意的效果;对图像数据集仿真结果表明其具有很强的鲁棒性和泛化性能。

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。

病态总体最小二乘模型的正则化算法

当线性观测方程的观测向量与设计矩阵均包含随机误差时,需要采用总体最小二乘法进行参数估计,但传统的总体最小二乘无法处理病态问题,需要进行正则化处理。根据Tikhonov正则化原理,导出了等权总体最小二乘正则化解法的计算公式,并提出了用数值方法估计正则化解方差-协方差阵的方法。采用第一类Fredholm积分方程的算例验证了正则化总体最小二乘算法。结果表明:采用的设计矩阵和常数项向量都含有观测误差时,该算法能明显改善估值的精度。

病态总体最小二乘问题的广义正则化

总体最小二乘(TLS)算法可以视为一个降正则化的过程,对比最小二乘算法,病态总体最小二乘方法的解受系数阵数据误差和观测值误差的影响将更为严重。本文探讨用广义正则化的方法降低病态性对总体最小二乘数值求解的影响,以提高求解结果的稳定性。通过多组算例结果表明,本文采用的广义正则化方法在处理病态总体最小二乘问题上具有明显的优势。

均方误差意义下正则化解优于最小二乘解的条件

利用矩阵理论导出了均方误差意义下正则化解优于最小二乘解的条件 ,构造了相应的检验统计量 。

基于正则化约束总体最小二乘的单站DOA-TDOA无源定位算法

针对利用单站外辐射源的目标无源定位问题,该文提出一种联合到达角度和时差信息的正则化约束总体最小二乘(RCTLS)定位算法。首先,将非线性的到达角度和时差的观测方程进行线性化处理,分析了方程系数矩阵可能出现的病态问题,将定位问题建立为RCTLS模型,并采用牛顿迭代方法对模型求解,从而得到目标位置估计。最后,推导了算法的理论误差,并按照均方误差最小的原则推导了正则化参数的最优值。仿真结果表明,算法的定位精度和鲁棒性均优于约束总体最小二乘(CTLS)算法。此外,对系统几何精度因子图的分析表明,目标及外辐射源的位置对定位精度也有影响。

基于Laplacian正则化最小二乘的半监督SAR目标识别

提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.

最小平方误差算法的正则化核形式

最小平方误差算法是最常用的一种经典模式识别和回归分析方法,其目标是使线性函数输出与期望输出的误差平方和为最小.该文应用满足Mercer条件的核函数和正则化技术,改造经典的最小平方误差算法,提出了基于核函数和正则化技术的非线性最小平方误差算法,即最小平方误差算法的正则化核形式,其目标函数包含基于核的非线性函数的输出与期望输出的误差平方和,及一个适当的正则项.正则化技术可以处理病态问题,同时可以减小解空间和控制解的推广性,文中采用了三种平方型的正则项,并且根据正则项的概率解释,详细比较了三种正则项之间的差别.最后,用仿真资料和实际资料进一步分析算法的性能.

一种计算补偿最小二乘正则化参数的最优化方法

在半参数模型补偿最小二乘估计中,如何有效地计算正则化参数是求解的关键。在建立一种新的补偿最小二乘模型的基础上,基于广义交叉核实与L曲线准则,采用最优化方法计算正则化参数。仿真计算表明,本文方法是一种计算正则化参数更为有效的方法。

ECT图像重建中最小坡度正则化参数选择方法

电容层析成像图像重建反问题常常是不适定的.提出了一种在最小坡度曲线段中选择Tikhonov正则化参数的新方法用于求解这一不适定反问题.对于测量数据的干扰,不适定问题的一些正则化解比其他的解敏感程度低.该方法使用一定准则选取不敏感正则化解中的一个,将这个解对应的正则化参数作为最优值.通过仿真实验,针对两种典型介质分布,将基于最小坡度方法计算的正则化参数与流行的L-曲线法在电容测量数据施加噪声情况下的图像重建结果进行了比较.实验表明基于新方法的图像重建结果要好于L-曲线法.

基于最小二乘增量迭代正则化方法的图像复原

针对模糊图像的复原问题,从最小二乘算法出发,采用增量迭代的方法改善算法的收敛性,同时结合正则化技术克服问题的病态性质,研究了一种有效的图像复原方法。在运算中,采用最速下降法求解方程,并运用快速傅立叶变换(FFT)原理来减少计算复杂度,同时引入自适应的正则化参数,使其与图像复原的迭代运算同步进行并自动修正到最优值。计算机仿真结果表明,该方法可较好地再现原图像的重要信息,复原图像在峰值信噪比和主观视觉效果方面都有明显的提高。

迭代总体最小二乘正则化的近场声全息方法研究

为有效解决近场声全息(Near-field Acoustic Holograph,NAH)技术在水下振动声源识别方法中面临不适定性问题,将平面NAH技术的声源识别过程转化为线性系统的求解过程,探明声源识别中不适定性问题产生的根源,考虑全息面测量声压和传递矩阵均存在误差,提出牛顿迭代的总体最小二乘(NTLS)正则化方法稳定NAH重建过程。新方法以TLS正则化算法为基础建立目标函数,将目标函数改化为具有凸函数的性质;然后采用具有二阶收敛速度牛顿迭代法求解;基于L曲线法特性,提出自适应迭代方法确定正则化参数。开展了NAH仿真和试验研究,提出构建良态传递矩阵的策略,最终验证了NTLS正则化的NAH技术在水下振动声源识别和定位中具有较好的精度。