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。

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.

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.

基于系数正则的同时回归估计

提取两个随机向量X与Y之间的相关性是非常重要的问题.核方法被用来提取非线性的相关性.本文通过极小化方差Var[f(X)-g(Y)]得到最大相关性,称为同时回归,其中f(X)和g(Y)分别是两个不同的再生核空间中的函数.本文利用正则经验方差极小化得到估计.为了所得的估计函数具有稀疏性,本文采用系数的l1范数作为惩罚项,在一些常规条件下建立学习率.同时回归问题与典型相关分析、切片逆回归等密切相关.

一种新的模糊规则动态调整正则项系数的神经网络学习方法

从偏差 方差模型出发 ,提出了一种通过模糊规则推理动态调整正则项系数的新方法 ,并有效地确定了模糊推理规则和隶属度函数 .并将该方法与BP算法和固定正则项系数的方法进行了比较 ,该方法具有精度高、收敛快和泛化能力高等优点 。

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。

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。

基于最优正则极限学习机的变压器故障诊断

针对基于极限学习机的变压器故障诊断模型隐含层神经元个数较多时,存在过拟合、稳定性差以及精确度不高的问题,提出了一种最优正则极限学习机的变压器故障诊断方法。方法收集了变压器油中溶解气体作为故障指标,将采集的数据集合随机分成训练集、验证集和测试集。首先通过训练集对极限学习机故障诊断模型进行训练;其次,将验证集输入已构建的模型,利用验证集精度与训练精度的差值进行反馈,并引入最优正则系数对模型参数进行惩罚性调整;最后,利用更新后模型对测试集进行故障诊断。通过算例分析与比较可以得出,最优正则系数极限学习机比极限学习机稳定性强,精确度高,并且方法简单,计算速度快,可有效实现变压器故障诊断。

基于Stacking多模型融合的储能电站电池预制舱消防预警

由于储能电站电池预制舱监测温度由多个传感装置独立组成,导致对高温异常进行消防预警的灵敏度偏低,为此,提出基于Stacking多模型融合的储能电站电池预制舱消防预警方法研究。引入了Stacking集成学习方法,对多元储能电站电池预制舱温度数据进行融合处理,并利用正则系数对融合后数据的偏差进行校正;在消防预警阶段,结合温度参数表现的发展趋势以及消防预警的时间尺度要求,设置了个性化的预警温度,根据融合结果与预警温度之间的关系,判断是否作出预警处理。在测试结果中,设计方法对于不同程度异常温度均实现了有效的预警,具有良好的灵敏度。

基于CNN的单级光伏并网逆变器积分滑模控制方法

基于卷积神经网络(CNN)的单级光伏并网逆变器积分滑模控制方法,可提升积分滑模控制效果。通过构建单级光伏并网逆变器状态方程,获取逆变器输出数据;利用自适应正则化系数,优化CNN训练时的损失函数,避免过拟合;在CNN输入层内输入逆变器输出数据,通过卷积层提取逆变器故障特征,利用池化层二次提取特征,通过全连接层输出逆变器故障估计数据;依据故障估计数据选择滑模面,通过选择的滑模面设计积分滑模控制器,获取动态补偿律,完成逆变器积分滑模控制。实验证明:该方法可精准估计逆变器故障数据,有效实现逆变器积分滑模控制,控制后的电压波形可迅速恢复到正常状态,过渡期未出现畸变情况,抗扰动性能较优。在不同电阻与电感参数不确定概率时,该方法具备较优的控制鲁棒性。

基于变分的保持特征的有噪图像放大算法

针对图像放大后出现边缘模糊的现象,该文考察了典型边缘的特征,利用整体变分思想,提出了一种基于变分模型的有噪图像放大算法。利用导出的偏微分方程和图像边缘的局部梯度信息,该文算法实施一种自适应非线性滤波处理,能够较好地保持图像边缘锐度,同时有效地去除图像噪声。为了保持图像的特征和细节,文章利用图像的方向导数局部地调整正则系数.理论分析和实验结果皆表明此文算法的有效性。

基于T-S模型的扩展型模糊神经网络及应用

针对基于T-S模型的模糊神经网络的局部逼近缺陷,提出了一种基于T-S模型的扩展型模糊神经网络,从训练样本特性和网络结构两个方面来提高网络模型的泛化能力.利用先验知识和模糊推理的方法对样本集进行分析和分类处理,使样本集更加规范;并采用模糊规则推理动态调整正则项系数的方法来减小网络结构.仿真结果表明,所提出的网络具有更快的收敛速度和良好的泛化能力.

一种提高前向神经网络泛化性能的新算法

提出了一种利用遗传算法优化前向神经网络的结构和正则项系数的混合学习算法.将该方法与附加动量的BP算法、固定正则项系数神经网络方法进行比较.数值结果显示该方法具有精度高、学习收敛速度快和泛化能力高等优点.*

基于FPGA的高速FIR数字滤波器设计的改进方法

在高速有限冲击响应(Finite Impulse Response,FIR)数字滤波器的设计中,随着滤波器阶数的增加,保持数据流速率和有效使用硬件资源成为设计的一个重点和难点。基于高速并行有限冲击响应数字滤波器的基本原理,提出了一种将位平面法、正则有符号系数(Canonical-Signed Digit,CSD)编码算法和抽取算法应用于并行有限冲击响应数字滤波器的改进方法。设计通过Matlab仿真,在Quartus II中编译、仿真、综合后下载到现场可编程门阵列(Field Programmable Gate Array,FPGA)中进行测试,结果显示,这种改进方法较好地解决了滤波器阶数和数据流速率与硬件资源之间的关系。

BOSE-FERMI量子统计中配分函数的结构绘景

采用量子力学中求密度矩阵的办法,通过对正则系综量子统计的配分函数的严格计算发现:影响系综配分函数的因素不仅有全同粒子的交换,而且还有系统粒子相互作用势引起的量子修正和坐标交换。经讨论发现:在忽略系统粒子相互作用势引起的量子修正和坐标交换后,其配分函数正好就是经典量子统计下的配分函数。

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。