基于自动正则化的井间电磁成像方法

通过井间电磁技术能够获得井间的高分辨率电阻率成像,对于监测井间流体的变化和提高油气采收率意义重大。采用基于乘积性代价函数的自动正则化高斯牛顿法,实现了严格意义上的2.5维井间电阻率成像。对于层状地层和有电阻率异常体的地层,电阻率成像测试能够实现精确的井间电阻率成像。将正则化参数与每次迭代的数据代价函数联系起来,保证正则化参数自动随迭代次数减小且在噪声水平自动停止,避免了过拟合问题。将井间电阻率成像算法用于西南某区块测量的井间电磁测试数据的正反演,成像结果与两口井的电阻率曲线符合良好,验证了该仪器及其井间电阻率成像算法的有效性。

自动加权多图正则化L_(p)光滑非负矩阵分解算法

针对多图正则化非负矩阵分解忽略了因子矩阵的光滑性以及图正则项参数选取困难的问题,建立了自动加权多图正则化L_(p)光滑非负矩阵分解(AMGSNMF)模型。该模型根据数据之间的几何结构自动地选取图正则项权重,且通过增加因子矩阵的光滑约束提升解的准确性。使用乘性更新的方法得到所建模型的算法——自动加权多图正则化L_(p)光滑非负矩阵分解算法(AMGSNMF)。将AMGSNMF算法应用于数据聚类,在数据集COIL20和ORL上的实验表明,AMGSNMF算法比四类经典的非负矩阵分解算法聚类精确度提升了0.4%~11.44%,归一化互信息提升了0.53%~3.86%。

基于自动编码器和支持向量机的飞机机动智能识别方法

飞机机动动作识别是空战意图识别和智能决策的基础。针对传统机动动作识别方法存在的高维数据分析和特征提取能力不足、识别准确率不高的问题,考虑到机动数据的高维性、时序性的特点,提出基于正则化自动编码器-支持向量机(RAE-SVM)的飞机机动动作识别方法。依据机动动作数据变化规律和专家经验知识,构建了基于时间段数据特征的机动动作样本库;将无监督的自动编码器神经网络强大的特征提取能力和有监督的支持向量机优异的分类性能相结合,构建基于RAE-SVM的机动识别模型,采用机动动作样本库训练模型;通过引入正则化提高了RAE网络的泛化性能和预测准确率;最后与多种现有方法进行准确性与实时性对比,并选取空战机动动作数据进行实例验证。结果表明:所提方法识别准确率为92.75%,对一组机动数据识别仅需2 ms,满足实时性要求。因此,该方法可以快速准确地进行飞机机动动作识别,具有一定实用价值。

自动全局上下文感知相关滤波器跟踪算法

在相关滤波器跟踪算法中引入正则化后可以有效提高跟踪效率,但需要花费大量精力调整预定义参数,此外还有目标响应发生在非目标区域会导致跟踪漂移等问题,因此提出一种自动全局上下文感知相关滤波器(Automatic Global Context Awareness Correlation Filter,AGCACF)跟踪算法.首先,在跟踪过程中利用目标局部响应变化实现自动空间正则化,将自动空间正则化模块加入目标函数,使滤波器专注于目标对象的学习;其次,跟踪器利用目标全局上下文信息,结合自动空间正则化,使滤波器能及时学习到更多与目标有关的信息,减少背景对跟踪性能的影响;接着,在滤波器中加入时间正则化项,来充分学习目标在相邻帧之间的变化,从而获得更准确的模型样本.实验结果表明,与其他跟踪算法相比,AGCACF跟踪算法在距离精度和成功率方面具备更好的跟踪效果.

基于泛化空间正则自动编码器的遥感图像识别

为了解决遥感图像中的合成孔径雷达（synthetic aperture radar,SAR）图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器（generalized autoencoders,GAE）,并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明：GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。