ISAR高分辨成像算法正则化系数的优化

以稀疏约束最优化逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)信号模型为基础,基于最大后验概率估计的误差精度和ISAR图像的稀疏性,提出了一种正则化系数优化方法。该方法结合压缩感知理论,基于L1范数建立了稀疏约束的ISAR最优化信号模型。该模型可在任意正信噪比情况下根据每次迭代结果的稀疏度实现正则化系数的自适应调整,且只需少数迭代循环就能确定比较稳定的系数,实现图像的高分辨重建。该方法避免了因无法直接确定最佳系数而重复尝试的复杂过程,提高了算法的实现效率。在求解该最优化模型时,对傅里叶矩阵相乘进行了算法简化并结合共轭梯度下降法降低了算法运算的复杂度。

基于正则化瑞利系数的半监督k-部排序学习算法及应用

借鉴Ralaivola给出的基于正则化瑞利系数的半监督二部排序学习算法的思想,提出基于正则化瑞利系数的半监督k-部排序学习算法.同时,将此方法运用于本体相似度计算和本体映射.通过两个实验说明新算法是有效的.

基于弱相关抽样的系数正则化的一致性分析

针对满足强混合条件的弱相关抽样,且α系数满足多项式衰减αi≤ai-t的情形,利用样本算子与积分算子的技巧,证明最小二乘系数正则化算法的一致性,并且得出在满足正则化条件LK-rfρ∈Lρ2X(X),0<r≤21下的学习速度为o(m-2rmin{t,1}logm)。同时得出了基于弱相关抽样的系数正则化算法的饱和指数为2,说明与通常的最小二乘Tikhonov正则化算法相比,系数正则化算法在学习光滑函数时具有一定的优势。

系数正则化回归模型的最优正则参数

研究了具有最小平方损失且正则项为系数正则化的回归问题的误差分析,分别对样本误差和逼近误差作了估计,获得了关于参数γ的误差界;通过选择合适的参数,使得该误差界最优并且得到学习速率.

基于独立但不同分布样本的系数正则化回归算法的研究

本文分析了基于独立但不同分布样本的系数正则化回归学习算法。全文的框架不同于以往的经典核学习方法,核函数不再要求满足半正定性;对于样本输出,令其满足弱化的矩假设条件。文章使用积分算子的方法得到了满意的与容量无关的误差界,最后通过选取合适的正则化参数得到较为满意的学习率。

基于非独立同分布样本的系数正则化回归算法的误差分析

本文分析了基于非独立同分布样本的最小二乘系数正则化算法的误差。全文的框架不同于以往的经典核学习方法。核函数仅仅满足连续性和一致有界性;我们进行基于输出样本满足广义矩理论的误差分析,而不再考虑标准的输出有界假设。最后通过利用积分算子技术得到了满意的与容量无关的误差界和学习率。

一种基于Tikhonov正则化的改进多面函数拟合法

多面函数拟合法的平滑系数取值问题一直没有得到很好的解决,为此,提出一种基于Tikhonov正则化的改进多面函数拟合法。该方法引入正则化替代平滑系数,根据泛化误差极小化原则确定正则化系数,规避了平滑系数的不确定性,并去除了原方法核函数个数的约束条件。通过GPS水平速度场拟合的实例对改进方法进行验证,并与原方法的结果进行比较。结果表明,改进方法拟合效果稳定,拟合精度和泛化能力较原方法均有明显提高。

基于正则化的超分辨率重建研究

超分辨率重建技术是指将同一场景拍摄得到的低分辨率图像融合在一起,并去掉模糊和噪声,从而重建出高分辨率图像的技术,是近年来重要的研究领域之一,具有广阔的应用前景。本文详细介绍了超分辨率重建技术的数学模型和解决超分辨率病态问题的方法。通过引入空间域正则化的方法加入到超分辨率的重建过程中,从而大大改善了超分辨率重建算法的稳定性,提高了超分辨率重建的质量和视觉效果。

基于灰狼算法优化核极限学习机的网络入侵检测研究

针对核极限学习机的网络入侵检测结果易受正则化系数C和核参数g的影响,提出了一种灰狼算法优化KELM的网络入侵检测算法,提高KELM的网络入侵检测效果。实验结果表明,在检测率和误判率指标上,GWO_KELM算法的网络入侵检测率平均高达97.35%,优于其他算法。

l^P-系数正则化Shannon采样学习算法收敛速度(英文)

研究l^P-系数正则化意义下Shannon采样学习算法的收敛速度估计问题.借助l^P-空间的凸性不等式给出了样本误差和正则化误差的上界估计,并给出了用K-泛函表示的逼近误差估计.将K-泛函的收敛速度估计转化为平移网络逼近问题,在此基础上给出了用概率表示的学习速度.

一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。

基于通道性能度量的神经网络结构搜索算法

卷积神经网络的表征与预测能力往往依赖结构合理性,但其主流结构均由人工设计,存在设计难度高、算力要求强、时间开销大等问题.如何让神经网络自主搜索合理结构并节约计算资源是当前的研究重点.目前,基于部分通道连接的可微分结构搜索算法,以其高效的显存利用率在搜索速度和分类性能上表现良好.然而,其针对通道的随机采样策略易造成重要信息丢失,当通道连接不足时性能明显下降.为此,提出一种基于通道性能度量的神经网络结构搜索算法,利用注意力机制提取通道重要性系数,并以此对通道进行排序采样.此外,考虑到预热阶段导致搜索不充分,产生较大离散化误差,在结构权重连续化的过程中设计温度正则化系数,提升权重差异.实验表明,所提算法能够在节约计算资源的基础上搜索出更优的卷积神经网络结构.

基于空谱加权近邻的高光谱图像分类算法

现有的高光谱图像分类方法多注意到空间信息的利用,并未考虑地物在空间分布上具有连续性的特点。基于此,提出了一种空谱加权近邻(SSWNN)高光谱图像分类算法。通过构造测试样本点的近邻空间,过滤近邻空间中与测试样本标签不一致的空间近邻点,有效解决了近邻空间内异类点对中心像元分类的干扰,改善了图像的椒盐效应。根据空间近邻点和测试像元之间的光谱相似性为空间近邻点赋予不同的权重,增大了同类像元间的相似性和异类像元间的差异性,并通过引入正则化系数,得到训练样本和测试样本近邻空间的距离,选择距离最小的训练样本标签作为测试样本的标签。该方法在Indian Pines和PaviaU高光谱数据集上的总体分类精度分别达到了96.75%和98.54%,高于文中所列的其他算法。