中国区域速度场多面函数拟合稀疏建模方法研究

分析多面函数建模中核函数结点选择存在的问题,探讨LASSO等变量选择及空间降维方法,在此基础上,提出多面函数拟合的稀疏建模方法和惩罚参数选取指标。该方法通过最小化正则化损失函数,实现模型参数估计与核函数结点筛选,所构建模型易于解释且具有较强的泛化能力。中国区域速度场建模结果显示,多种方案下的模型变量参数筛选保留率在19.42%~51.17%之间,外符合精度提升率达到3.29%~16.50%,表明该方法可有效降低模型结构复杂度并提高建模精度。

基于稀疏建模和SVM的管道缺陷分类方法研究

埋地钢质管道缺陷识别及评估是管道检测领域中长期存在的难点之一,而实现对管道缺陷准确分类的前提是管道损伤信号的精准提取,针对埋地管道缺陷信号特征提出一种基于稀疏建模和支持向量机(SVM)的管道缺陷信号提取与识别方法。通过从原始信号中学习获得字典,将该字典采用正则化正交匹配追踪算法构建缺陷信号稀疏模型,并根据压缩感知理论获得信号的特征向量。进一步,采用多分类SVM将缺陷信号的特征向量与管道实际缺陷类型建立映射关系,并通过遗传粒子群优化算法指导SVM参数选取。结果表明:提出的分类方法可实现对管道缺陷损伤程度的准确划分,该方法已经成功通过实验室验证,并成功应用于华北某油田的工程领域检测。

序列稀疏自回归方法及其在美股做空数据分析上的应用

采用序列稀疏回归的思路来处理向量自回归模型,并设计适用于大规模时间序列数据分析的序列稀疏自回归方法。研究表明:从因子角度刻画向量自回归模型可以有效地将稀疏矩阵估计问题分解成稀疏奇异向量的估计问题,从而极大地提高了计算效率。以1523家美股上市公司1973年1月—2014年12月的做空数据为例,利用此方法探索公司之间的大规模做空关联网络。研究发现:此方法可以有效地恢复股票做空份额(即某一公司的空头股份数量)与股票收益率之间隐藏的关联网络,对于股票风险溢价研究具有一定启发意义。

稀疏可交换图建模研究综述

可交换性假设是采用贝叶斯模型对网络数据建模的重要前提,基于Aldous-Hoover表示理论的可交换图不能生成稀疏网络.实证结果表明,真实世界中的很多复杂网络都具有节点度幂律分布的稀疏特征,基于Kallenberg表示理论的可交换图能够同时满足可交换性和稀疏性.以Caron-Fox模型和Graphex模型为例,对稀疏可交换图建模的相关概念、理论和方法的研究发展进行了综述.首先讨论了随机图、贝叶斯非参数混合模型、可交换表示理论、Poisson点过程、离散非参数先验等理论的研究历程;然后介绍了Caron-Fox模型的表示;进而总结了进行稀疏可交换图的随机模拟所涉及的截断采样和边缘化采样方法;接下来综述了稀疏可交换图模型的后验推理技术;最后对稀疏可交换图建模的最新进展和研究前景做了介绍.

污水处理过程出水水质稀疏鲁棒建模

污水处理过程中,出水水质参数是衡量污水处理性能的最重要指标,需要进行严格监测,但现有传感技术难以对其进行实时准确地在线测量.因此,提出一种新型的基于随机权神经网络(Random vector functional-link networks,RVFLNs)与Schweppe型广义M估计(Generalized M-estimation, GM-estimation)的稀疏鲁棒建模方法,用于水质指标的在线鲁棒预测.首先,针对常规RVFLNs隐含层矩阵存在多重共线性而导致最小二乘估计失效的问题,利用稀疏偏最小二乘(Sparse partial least squares, SPLS)代替RVFLNs输出权值求解的最小二乘估计,从而提出SPLS-RVFLNs.该算法不仅可有效解决传统RVFLNs的多重共线性问题,还可以进行建模变量选择,提高模型的可解释性和最终的预测精度.同时,考虑到SPLS-RVFLNs在求解输出权值时会同时受到隐含层矩阵和输出层矩阵两个方向离群点的影响,进一步采用Schweppe型广义M估计对SPLS-RVFLNs进行鲁棒改进,从而提出GM-SPLS-RVFLNs,可显著提高模型的稀疏鲁棒性能.最后,将提出的GM-SPLS-RVFLNs用于污水处理过程出水水质指标预测建模,数据实验结果表明所提方法不仅解决了常规RVFLNs多重共线性和鲁棒性差的问题,而且具有很好的预测精度和泛化性能.

L1-范数子空间技术的鲁棒建模综述(英)

子空间学习可以通过多种技术来开展,对一些流行且被广泛使用的子空间学习方法,简要回顾其基于L1-范数的鲁棒建模.从主成分分析开始介绍子空间学习技术、线性判别分析以及更一般的图嵌入框架.作为L1-范数的综合利用,进一步讨论具有稀疏性的鲁棒建模.此外,还论述一些应用在神经科学中的相关子空间学习技术.最后,针对基于L1-范数的子空间学习的求解问题,介绍一个有力工具,即边界优化技术.

基于零范数特征选择的支持向量机模型

为解决高维稀疏建模问题,本文从经验风险最小化原则出发推导出一个基于零范数约束的特征选择判据,并利用嵌入式设计模式的特点将其与支持向量机方法相结合.仿真实验和真实数据实验表明,该方法不仅具备良好的特征选择性能,而且在稀疏建模问题中表现出良好的分类准确性和泛化能力.

快速非均匀模糊图像的盲复原模型

针对目前非均匀模糊图像盲复原算法在复原效果、计算和存储复杂性以及自动化程度方面存在的问题和不足,研究基于广义可加卷积模型的非均匀模糊计算方法,建立改善估计准确度或增强复原图像视觉质量为目标的图像先验模型,并改进模型的复原效果和效率。结果表明:非均匀模糊图像盲复原算法可有效复原出模糊图像。与传统算法相比,该算法复原效率较高,具有一定的实用价值。

基于L1-范数和弹性网约束的鲁棒稀疏块PCA

块主成份分析(block principal component analysis,BPCA)是一种重要的子空间学习方法,能充分利用图像矩阵的部分关联.基于L1-范数的BPCA是近年来发展起来的鲁棒降维的有效方法.本研究提出了一种新的鲁棒稀疏BPCA方法,称之为BPCAL1-S.该方法相对于传统的基于L2-范数的PCA对噪声更加鲁棒.为了建立稀疏模型,优化过程中引入弹性网,联合使用Lasso与Ridge惩罚因子进行约束.提出了一种贪心算法逐个提取特征向量,对迭代过程的收敛性做了理论证明.将BPCAL1-S应用于图像分类与图像重构,实验结果验证了该方法的有效性.

基于岭回归改进规范变量分析的微震事件实时判识

微震事件判识是煤矿微震监测的基础。现有的微震监测技术大多基于单物理量变化规律而开发,在处理含有大量噪声和干扰信号的煤矿微震数据时易产生误判情况。针对该问题,基于岭回归算法改进规范变量分析(CVA)的损失函数,实现稀疏化建模,以提升模型泛化能力。采用岭回归改进CVA对多通道煤矿微震监测数据进行融合分析,进而实时判识复杂微震监测数据状态。采用模拟数据和实际煤矿微震监测数据对岭回归改进CVA进行实验验证。在基于模拟数据的实验中,随着噪声方差由5×10^(−6)增大至5×10^(−2),岭回归改进CVA的判识准确率较CVA提升了0.6%~5.4%,误报率和漏报率之和较CVA下降4.8%~17.3%。在基于实际微震监测数据的实验中,岭回归改进CVA对20个通道的微震监测数据融合分析结果能够反映出微震信号处于波动状态,验证了该方法具备微震事件实时判识能力,平均判识准确率为97.14%,较CVA高2.39%,误报率与漏报率之和为31.06%,较CVA降低0.07%,错误率为2.86%,较CVA降低2.4%。

基于稀疏求解的输油管道焊缝图像缺陷检测算法研究

提出一种基于稀疏求解的输油管道焊缝图像缺陷检测算法,通过求解稀疏系数完成识别过程,避免了图像的分割与特征值的计算。将现场提取的缺陷和噪声图像作为样本,根据压缩感知理论,首先通过学习从样本中获得字典,利用相关性最小的原则确定字典矩阵数量,然后构建稀疏模型并采用正交匹配追踪算法求解该模型,最后通过求解得出的系数组合判断图像类型。实验表明:该方法能够实现图像缺陷的准确识别。

基于BDS-2/BDS-3联合处理的北斗超快速钟差预报优化策略

针对北斗卫星导航系统(BDS)钟差预报产品无法满足高精度快速服务需求的现状,提出了一种基于BDS-2/BDS-3联合估计的超快速卫星钟差预报优化策略。区别于传统两步法预报模型,利用稀疏建模方法一步求解所有模型项,并通过BDS-2/BDS-3星间相关性实现了模型系数解的增强;为进一步降低模型残差的影响,基于残差序列时空相关性,利用半变异函数重构了模型估计的权阵。为验证提出的钟差预报模型,设计了12套对比方案,实验结果表明:基于稀疏建模的钟差模型参数一步估计可略微提高钟差预报精度;通过引入星间相关性对随机模型进行精化,钟差序列一步建模可分别将BDS-2与BDS-3卫星钟差18h预报精度提升28.6%与27.2%;基于半变异函数建模的模型残差相关性提取,可实现BDS-2与BDS-3预报钟差精度8.0%与11.1%的提升。因此,提出的优化策略对当前北斗超快速卫星钟差预报产品精化具有重要意义。