自适应弹性网络的变量选择一致性

针对样本维数随着样本个数变化的情况,研究了自适应弹性网络变量选择的一致性.首先在部分正交条件下,证明了初始的单变量回归子是零一致的,然后据此证明了自适应弹性网络能取得一致的变量选择.从渐近性能的角度考虑,所得结论是现有方法在超高维空间里的推广.

基于自适应弹性网络稀疏编码的目标识别

传统稀疏编码模型特征选择能力较弱,稀疏系数向量中负系数的存在导致维数偏高、信息冗余,不利于目标识别。针对这个问题,提出了一种基于自适应弹性网络的稀疏编码模型。该模型首先利用融合尺度空间的AGAST检测子提取特征点,经过FREAK算子描述,采用能够自适应选择强相关性特征的自适应弹性网络回归模型求解稀疏系数向量,最后通过分类器实现对目标的分类识别。实验结果表明,特征检测算法对于图像中尺度、视角、光照和旋转等变换具有更强的鲁棒性,在自适应弹性网络的约束下,模型具有较好的识别性能。

基于分位数回归的升船机变形监控模型构建方法

为深入分析升船机变形影响因素,提出了一种基于分位数回归的升船机变形监控模型构建方法。该方法根据升船机的结构特点,将温度、前期上游水位均值等因素引入候选影响因子集,采用自适应弹性网络分位数回归对影响因子进行筛选,建立各分位数下的回归模型,并根据拟合的良好性和检验的有效性原则选出最优的升船机变形监控模型。实例验证结果表明:相对于常规的逐步回归模型,本文方法构建的最优模型的预测精度波动性小,具有较强的稳定性,同时具有良好的长期预测能力。