基于L1范数正则化和最小二乘优化的冲击载荷识别研究

为了改善冲击载荷识别问题的病态特性,最大限度提高识别精度,在时域内提出一种基于L1范数正则化和最小二乘优化的改进冲击载荷识别方法。采用L1范数正则化方法构建冲击载荷稀疏反卷积模型,使用截断牛顿内点法求解L1范数的最小二乘优化问题,同时根据预条件共轭梯度法确定最优搜索路径和计算方向。最后,考虑不同冲击工况、不同响应位置对识别结果的影响。通过对铝合金板进行冲击载荷识别试验进行验证,发现在铝板受单次冲击和多次冲击工况下所识别载荷与施加的实际载荷吻合良好。结果还表明,与Tikhonov正则化方法相比,该方法能够提高冲击载荷识别的准确性和稳定性。

基于1范数正则化的模型修正方法在结构损伤识别中的应用

以基于灵敏度分析的有限元模型修正方法为基础,提出了一种基于1范数正则化过程的结构损伤识别方法。通过与以Tikhonov正则化为代表的二次型正则化过程相比较,本文的理论分析表明1范数正则化方法在迭代计算过程中能根据上一迭代步损伤识别结果自适应地调整正则化项中的损伤参数权系数,从而显著改善了Tikhonov正则化识别结果过度光滑的缺陷,更利于识别结构的局部损伤。为解决引入1范数造成的数值计算困难,文中还对基于1范数正则化的模型修正算法进行了改进。以二维框架模型为例的损伤识别数值模拟表明:1范数正则化方法与模型修正方法相结合可以有效抑制实测模态参数中噪声的影响,体现出较好的鲁棒性;在模态噪声水平达到10%的情况下,仍能有效抑制噪声干扰,凸显结构局部损伤位置,准确识别损伤程度。

三维大地电磁自适应L1范数正则化反演

常规三维大地电磁反演的正则项为L 2范数,它以电阻率空间分布函数处处光滑为模型期望,弱化了算法对电性突变界面的分辨能力.本文实现了正则项为L1范数的三维大地电磁反演算法,让模型空间梯度向量更有机会取得稀疏解,在充分正则的迭代下能够有效突出模型真实电性界面.为避免L1范数零点不可导带来的求解困难,使用迭代重加权最小二乘法把原问题转换为一系列L2正则子问题迭代求解.每个子问题的极小方法使用改进型拟牛顿法,其下降方向既能保证正则项海塞矩阵的精确性,又能允许反演过程随迭代灵活更新正则因子.使用比值法或分段衰减法自适应更新正则因子以避免迭代早期陷入奇异解,从而提升反演收敛的稳定性并降低初始模型依赖度.合成的无噪数据反演表明L 1正则算法的模型恢复效果优于L2正则;不同噪声水平的合成数据反演表明本文的算法具有稳健性;实测数据反演对比表明在合理的正则因子调整策略下,L1正则反演结果的模型分辨率优于L2正则.另外,不同初始模型的反演测试还表明,正则因子选取不合理时L1正则可能造成方块状假异常.

基于L1范数正则化的三维多震源最小二乘逆时偏移

与常规偏移相比,最小二乘偏移在振幅保真性、提高分辨率、压制偏移噪音等方面具有较大优势。交错网格下基于一阶波动方程的最小二乘逆时偏移能够考虑介质密度的影响,且在压制数值频散方面有一定的优势,但该方法目前主要应用于二维介质中。为了拓展方法的适用范围,将该算法推广到三维情形下。同时,考虑到多震源方法会引入串扰噪声,在目标泛函中引入L1范数的稀疏正则化约束,并给出一种快速有效的解法。结果表明,相位编码算法可显著降低计算量,提高计算效率,但会引入高频的串扰噪音,而L1范数正则化由于加入稀疏约束,可有效地压制成像结果中的低频和高频噪音,显著提升成像分辨率,较大程度地改善成像质量,且线性Bergman解法降低反演结果对参数的依赖度,适用于实际资料的处理。

基于L_1范数正则化的强震动加速度记录基线漂移识别方法

本文提出了一种基于L_1范数正则化的基线校正新方法,即以拟合速度时程误差最小为目标,以基线漂移本身尽可能小为约束条件,经过凸优化多次迭代自动求解出满足条件的基线漂移,避免了人为选取基线漂移分段次数和基线漂移起止时刻的主观干扰;随后利用该方法对多组加入了基线漂移噪声模型的强震动加速度记录进行验证。结果表明:本文方法对于识别和处理单段式、两段式和多段式的基线漂移噪声具有普适性,能敏锐地捕捉到速度时程发生漂移的趋势(斜率变化),无需预先设定加速度基线漂移模型也可有效地识别出多种基线漂移噪声的起止位置和漂移程度;地震记录事前部分对本文方法处理结果影响较大,当记录事前部分足够长时(如20 s),识别基线漂移噪声的准确性较高,位移时程可以较好地与原始位移匹配;而对于发生漂移的速度时程,本文方法可以不受地震事前部分长短的干扰,甚至在加速度记录出现明显丢头现象时,也能很好地实现峰值速度和整个速度时程的恢复。

基于L_(1)范数正则化约束的叠前数据衰减补偿方法

由于地下介质的吸收作用,地震波在传播过程中经历了能量衰减、波形畸变及频带变窄的过程,严重降低了地震资料的分辨率。对于叠前地震数据而言,地层吸收衰减效应会随着传播路径发生变化,进而扭曲地震数据的AVA反射曲线特征。为此,提出一种针对叠前数据的衰减补偿方法。该方法考虑了射线路径对于衰减补偿的影响,首先在水平层状介质假设下推导出衰减介质中的叠前道集正演公式;然后将衰减补偿简化为一个反问题,并通过L_(1)范数进行正则化约束;最后采用交替方向乘子算法(ADMM)求取最优解,进而实现叠前数据的衰减补偿。数值测试结果表明,所提方法不仅能对振幅和相位进行补偿,而且还能恢复叠前道集的AVA反射特征。通过与叠后补偿、常规叠前反Q滤波方法对比分析,所提方法的精度更高、稳定性及抗噪能力更强。同时,Q值敏感度分析实验说明所提方法对Q值模型不敏感,仅借助低频Q值模型也能保持较高的补偿精度。实际资料处理结果也表明,该方法能够提高叠前道集的分辨率,有效还原数据的AVA反射特征,为高精度叠前地震反演奠定了基础。

基于稀疏流形聚类嵌入模型和L_1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.

L_(1/2)范数正则化模型修正方法在结构损伤识别中的应用

利用结构损伤时损伤参数所具有的稀疏性,基于灵敏度分析的有限元模型修正方法,提出一种结合L1/2范数正则化过程的结构损伤识别方法。与以Tikhonov正则化为代表的二次型正则化过程相比,L1/2范数正则化可以有效改善识别结果过度光滑的缺陷;与以L1范数正则化为代表的一次型正则化过程相比较,L1/2范数正则化识别结果更准确。二维框架模型为例的损伤识别数值模拟表明,L1/2范数正则化方法与模型修正方法相结合可以有效抑制实测模态参数中噪声的影响,对于结构局部损伤有更好的识别效果。

基于范数正则化矩阵补全的无线传感网定位算法

节点定位是实现无线传感器网络(wireless sensor networks,WSNs)应用的重要前提之一.针对传统基于测距的定位方法需要大量节点距离信息以及多径效应、噪声干扰等导致的节点测距误差问题,提出了一类基于L1范数正则化矩阵补全(L1-norm regularized matrix completion,L1NRMC)的WSNs节点定位方法.该方法基于传感网节点间距离矩阵低秩特性,将部分采样信息下的距离恢复问题建模为稀疏野值噪声(outlier)情形下的矩阵补全问题,然后采用交替方向乘子法(alternating direction method of multipliers,ADMM)结合算子分裂技术(operator splitting technology)对该问题进行求解,所设计的非精确L1范数正则化矩阵补全(InExact-L1NRMC)算法不仅能显式解析采样矩阵中的稀疏野值噪声,也可隐式平滑常见的高斯随机噪声.仿真结果表明:相比已有的同类定位方法,该算法只需进行部分测距采样即可实现精准的节点定位,且对各类测距噪声具有很好的抗干扰能力,适用于资源受限的WSNs.

基于替代函数及贝叶斯框架的1范数ELM算法

针对极端学习机(Extreme learning machine,ELM)算法的不适定问题和模型规模控制问题,本文提出基于1范数正则项的改进型ELM算法.通过在二次损失函数基础上引入1范数正则项以控制模型规模,改善ELM的泛化能力.此外,为简化1范数正则化方法的求解过程,利用边际优化方法,构建适当的替代函数,以便于采用贝叶斯方法代替计算复杂的交叉检验方法,并实现正则化参数的自适应估计.仿真结果表明,本文所提算法能够有效简化模型结构,并保持较高的预测精度.

基于L_(1/2)范数正则化的塑性回声状态网络故障诊断模型

为了提升储备池的动态适应性能,克服回声状态网络(ESN)输出权值求解的病态不适定问题,平衡其拟合与泛化能力,提出了一种基于L_(1/2)范数正则化的塑性回声状态网络故障诊断模型。在储备池构建中引入BCM规则对连接权矩阵进行预训练,并在目标函数中添加L_(1/2)范数惩罚项以提高稀疏化效率,利用一个光滑化的L_(1/2)正则子克服迭代数值振荡问题,并采用半阈值迭代法对模型进行求解。将模型应用于机载电台的故障诊断问题中,仿真结果证明了模型的有效性和优越性。

机械油泵轴锻压工艺的正则化递归ESN网络优化

为了提高机械油泵轴的耐磨性、减少油泵轴工作过程中的磨损量,提出了基于L1正则化递归最小二乘ESN网络的锻压工艺优化方法。分析了油泵轴的生产工艺流程和磨损实验方法。以回声状态网络为基础,为了解决训练过程中动态储备池中大量无关特征问题,将L1范数正则化约束加入到算法中,使ESN网络对特征具有自主选择能力,实现动态储备池中特征稀疏性,解决ESN网络计算量大和过拟合问题;使用递归最小二乘法优化输出权值矩阵,可以实时接受新样本对模型精度的训练和提高,综合以上两点创新,提出了L1RLS-ESN网络模型。将L1RLS-ESN网络应用于油泵轴磨损量的拟合与预测,得到了磨损量最小的对应锻压工艺。将模型优化的锻压工艺和实际锻压工艺进行对比,模型优化工艺锻压的泵轴磨损量比实际锻压工艺减少了约2倍。

神经网络中激活函数tanh的正则化

在神经网络研究领域中,以sigmoid函数、双曲正切函数以及校正激活函数为研究对象,其中sigmoid函数在sigmoid系函数中最具代表性,其具有软饱和性,但是会出现梯度消失的现象.而tanh函数作为sigmoid函数的一个变体,缓解了学习缓慢并且梯度消失的问题.主要对tanh函数进行L1范数正则化,以提高模型的泛化能力,并且对正则后的目标函数采用梯度下降法,LASSO回归法求解.

基于稀疏矩阵的受电弓上框架冲击载荷识别方法

试验搭建受电弓模态测试系统,构建受电弓三维空间结构并给出合适的坐标,采用锤击法对某受电弓进行模态试验,得到受电弓的固有频率、模态振型和阻尼比等相关参数。根据锤击法得到的锤击点与响应点之间的频率响应函数,采用在时域内的L1范数正则化方法构建冲击载荷稀疏反卷积模型,使用截断牛顿内点法对受电弓上框架冲击力进行识别。结果表明:L1范数正则化方法对处理冲击载荷这类的稀疏矩阵问题具有一定的准确性和稳定性。

基于l1正则化无迹卡尔曼滤波的结构损伤方法

采用传统卡尔曼滤波类算法对结构进行损伤识别时,损伤识别反问题的不适定性使得识别结果易受噪声干扰,甚至算法不收敛。为此,该文提出了一种结合l1范数正则化的无迹卡尔曼滤波损伤识别算法。根据结构出现局部损伤时其损伤参数分布具有稀疏性的特点,通过伪测量方法,将l1范数正则化引入到无迹卡尔曼滤波框架中,在改善反问题求解不适定性的同时,能有效地提高结构局部损伤识别能力。梁、桁架结构的数值分析与实验研究表明,该文方法可以对损伤的位置与程度进行准确识别,且具有良好的鲁棒性。

基于改进型迭代NR的磁感应断层成像图像重建算法

在磁感应断层成像中,图像重建是一个典型的病态问题,其数值解存在不稳定性.针对此问题,提出一种基于加权矩阵和L1范数正则化的改进型迭代Newton-Raphson （NR）算法.该算法通过在目标函数的误差项中引入加权矩阵,同时在L2范数正则化惩罚项的基础上引入L1范数正则化,改善图像重建解的病态性.设置3种典型的模型,分别对有无噪声的数据进行分析,将本算法与Tikhonov正则化算法和迭代NR算法进行对比.在无噪声数据分析中,所提算法相对Tikhonov正则化算法和迭代NR算法的相对图像误差减小0.11 ～0.14,相关系数提高13％ ～ 17％.在有噪声数据中,所提算法相对于Tikhonov正则化算法和迭代NR算法的相对图像误差减小0.06 ～0.09,相关系数提高7％ ～ 10％.提出的算法成像性能较好,且抗噪性能较强,为进一步的实验重建精确性提供理论依据.

基于ISTA算法的稀疏约束反演谱分解及应用

常规谱分解的分辨率难以满足地震解释的需求,稀疏约束反演谱分解可以很好地解决该问题。稀疏约束反演谱分解是把地震信号看成已知的子波矩阵库和伪反射系数的褶积,从而将谱分解问题转化为一个反问题来求解,其核心内容是如何快速获得最优解。采用L1范数正则化的L2范数作为稀疏约束反演谱分解的目标函数,并通过迭代阈值算法求解稀疏反问题。为了进一步提高计算速度,基于Ricker子波构建一种新的算子,并用ISTA算法进行计算。在此基础上,将稀疏约束反演谱分解用于模拟信号的数值试验,并与常规谱分解结果进行比较。结果表明,稀疏约束反演谱分解具有更好的时频聚集性和更高的时频分辨率;进一步应用于济阳坳陷沾化凹陷渤南洼陷义176井区地震资料,处理结果对油气响应十分敏感,可以较好地识别油气储集层。

基于车桥耦合振动信号和扩展卡尔曼滤波的桥梁结构损伤识别

利用移动车辆下的车桥耦合振动信号,本文提出了一种基于扩展卡尔曼滤波的桥梁结构损伤识别方法。以常见的简支梁桥为研究对象,将移动车辆简化为半车模型;当车辆以一定速度行驶时,桥梁的强迫振动响应作为扩展卡尔曼滤波算法的观测值,通过扩展卡尔曼滤波算法的时间更新和观测更新过程,实现了桥梁结构损伤参数的递推修正。为改善结构损伤识别反问题的不适定性,还利用伪测量方法把l1范数正则化过程引入到扩展卡尔曼滤波算法中,在提高了识别精度的同时,有效抑制了损伤的误判。梁桥结构的数值算例分析表明,对于不同的损伤工况、车辆模型参数和行驶速度,本文方法均能准确识别结构损伤的位置与程度,体现出良好的抑制噪声能力。

稀疏子空间聚类的惩罚参数自调整交替方向法

稀疏子空间聚类是利用子空间并集中数据向量的稀疏表示,从而将数据划分到各自子空间,该类方法关键是求出最优稀疏解。文中采用交替方向法求稀疏解,交替方向法把复杂问题分解成简单的、有效求解的子问题,达到最优速度。在交替方向法求解过程中,通常惩罚因子是恒定不变的。文中提出一种惩罚因子参数自调整策略,根据每次迭代信息,调整惩罚因子参数。基于运动分割数据和Hopkins数据库实验,结果表明在迭代次数和运算时间上,稀疏子空间聚类的交替方向法及其惩罚参数自调整策略比传统算法有很大提高,而且对噪声数据也非常有效。

一种基于群稀疏特征选择的图像检索方法

针对图像检索问题,提出一种基于群稀疏特征选择的图像检索方法。利用特征具有的群聚与稀疏的特性,构建一个L2,1范数正则化逻辑回归问题,运用自适应谱梯度算法(ANSPG)有效地求解权重,根据这个权重选择出有效特征。最后运用所选择的有效特征在基于内容的检索框架上进行图像检索。在Core15K与IAPR IC12图像库上进行的实验结果表明,提出的方法具有非常良好的性能。