求解变分不等式的Ishikawa类迭代算法

本文讨论Banach空间中子集非紧的情况下的变分不等式数值解.提出了求解相应问题的Ishikawa类迭代算法,证明了算法的子列收敛性和全局收敛性.同时也证明了变分不等式解的存在性.

基于FCM及快速迭代收缩阈值算法的平面ECT图像重建

为提高平面阵列电容成像系统的成像精度,提出一种基于模糊C均值聚类(FCM)进行数据优化的快速迭代收缩阈值算法(FISTA)。根据平面阵列电容数据的特点,首先利用FCM算法对测量电容值进行分类,保留有效电容值,实现电容向量降维;然后利用离散小波基(DWT)对灰度值进行稀疏表示,并建立L1正则化模型,采用FISTA进行求解,以实现图像重建;最后将FCM处理后的电容值分别用于Landweber算法、Tikhonov算法进行重建对比。仿真与实验结果表明,该算法重建图像的平均相对误差约为0.0527,平均相关系数约为0.9422,均优于其它算法,且重建图像伪影较少,更接近真实情况;因此,所提算法具有更好的重建效果。。

基于迭代剪枝VGGNet的火星图像分类

VGGNet能提供高精度的火星图像分类,但需消耗大量内存资源。鉴于器载计算机内存资源有限,为解决这一矛盾,本文提出了基于迭代剪枝VGGNet的火星图像分类方法。首先,采用迁移学习训练网络的连通性,以便评估神经元的重要性;其次,通过迭代剪枝方法修剪不重要的神经元,以便将全连接层的参数量和内存占用量减少;最后,采用K-means++聚类实现权重参数的量化,利用霍夫曼编码压缩迭代剪枝与量化后的VGGNet权重参数,达到减少存储量和浮点数运算量的作用。此外,通过5种数据增强方法进行数据扩充,目的是解决类别不平衡的问题。实验结果表明,压缩后的VGGNet模型的所占内存、Flops和准确率分别为62.63 Mb、150.6 MFlops和96.15%。与ShuffleNet、MobileNet和EfficientNet等轻量级图像分类算法相比,所提模型具有更好的性能。

Banach空间中一类非线性算子Ishikawa迭代序列收敛定理

在一般的Banach空间中,研究了Ishikawa迭代序列收敛问题,去掉了通常文献中关于空间X的一致光滑或S-一致光滑的严格要求,此外,还去掉或减弱了其它某些条件。因而本质地改进了近期文献的一系列相应定理。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。

Banach空间中2类压缩映射不动点的具误差的Ishikawa迭代序列的收敛性

讨论了Banach空间中拟压缩映射对和广义压缩映射的具误差的Ishikawa迭代序列的收敛性问题,得出了在一定条件下,这2类压缩映射分别强收敛于它们的不动点.这些结论推广和发展了已有的相关结果,使这些结果的适用范围更广.

一类不确定系统的自适应滑模迭代学习控制

本文针对一类在有限时间内执行重复任务的不确定非线性系统状态跟踪问题,提出一种自适应滑模迭代学习控制方法,在存在初始偏移的情况下也能实现对参考轨迹的完全收敛.本文通过设计全饱和自适应迭代学习更新律,估计参数和非参数不确定性以及未知期望控制输入,并将估计值限制在指定界内,避免估计值的正向累加.文章设计的自适应滑模迭代学习控制方法对系统模型的信息需求少,在对系统非参数不确定性的上界估计时不需要Lipschitz界函数已知.本文给出严格的理论分析,证明闭环系统所有信号的一致有界性以及跟踪误差的一致收敛性,并通过仿真验证所提控制方法的有效性.

一类带边界条件算子Ishikawa迭代列的构造及收敛性

在一致凸Banach空间中，研究了带边界条件的拟非扩张算子的Ishikawa迭代序列的构造和收敛问题，推广和改进了已有的相应结果．

Banach空间中一类新的完全广义非线性拟似变分包含的Ishikawa型迭代算法(英文)

讨论了Banach空间中一类新的带有限集值映射的完全广义非线性拟似变分包含问题,提出了求其逼近解的Ishikawa型迭代算法,并证明了逼近解收敛于拟似变分包含问题的正解.

一类非线性算子Ishikawa迭代序列的强收敛定理

使用新的分析技巧。研究了一致光滑Ｂａｎａｃｈ空间中强增增算子方程的解和强伪压缩算子不动点的Ｉｓｈｉｋａｗａ迭代逼近问题，改进和扩展了近期的许多相关结果．

一类新的k-次增生型变分包含解的存在性及其具有混合误差项的Ishikawa迭代逼近

在实自反Banach空间中,引入和研究了一类新的k-次增生型变分包含问题,证明了这类变分包含解的存在性、唯一性及其具有混合误差项的Ishikawa迭代程序的收敛性.本文结果本质地改进、发展和统一了张石生和曾六川等人的一系列相关结果.

一类非线性算子的带误差的Ishikawa迭代程序及其稳定性

建立了任意实 Banach空间中带误差的 Ishikawa迭代程序逼近 Lips-chitz强伪压缩算子的不动点的一般性定理 .指出已被广泛研究的 Ishikawa迭代序列的稳定性问题仅是带误差的 Ishikawa迭代程序的特例 ,作为直接的应用 ,用不同于通常的方法证得任意实 Banach空间中的 Ishikawa迭代序列关于 Lipschitz强伪压缩算子是稳定的 .这些推广或发展了近期许多相应的结果 .

一类具有Lipschitz条件的非线性变分包含问题解的存在性和Ishikawa迭代逼近问题

研究实自反Banach空间中一类具有Lipschitz条件的强增生型变分包含问题g(u)∈D(ηφ)〈Tu-Au-f,η(υ,g(u))〉≥φ(g(u))-φ(υ)υ∈X*得到了其解的存在性、唯一性及其具有混合误差项的Ishikawa迭代程序的收敛性的一些相关结果.

一类带随机误差的Ishikawa迭代序列的强收敛定理

在Banach空间中建立了含φ－强增生算子方程的解和φ－强伪压缩算子不动点带随机误差带项的Ishikawa迭代序列逼近问题，所得的两个定理，改进和扩展了如[3-5,7-9]等近期的许多相关结果。

Banach空间中一类隐式微分方程的含误差的Ishikawa迭代

改善和利用Banach空间中方向Lipschitz条件,得到Banach空间中不具备连续条件的隐式微分方程解的存在性和唯一性定理,并介绍一种Banach压缩映象逼近于一般不动点的新的含误差迭代。

Banach空间中一类g-η-增生映象包含组的Ishikawa迭代算法(英文)

在Banach空间中引入和研究了一类含g-η-增生映象的变分包含,利用与g-η-增生映象相联系的预解算子技巧,证明了这类g-η-增生映象包含解的存在性和惟一性.对这类g-η-增生映象包含的逼近解我们也构造了一个新的Ish ikawa迭代算法,并讨论了由此算法生成的迭代序列的收敛性.

一类非自映像的Ishikawa迭代过程的收敛定理

使用新的分析技巧,研究了一般赋范线性空间中的一类非自映像的Ishikaw迭代过程的收敛性问题.

基于迭代二分聚类的K-匿名机制

随着数据共享在各个领域的深入应用,对于数据所包含的个体隐私保护问题日益突出,同时K-匿名作为一种隐私保护的先进理论也被广泛应用于数据的共享与分发.但是K-匿名作为一种通过概化数据实现隐私保护的方式,不可避免地会造成一定的信息损失,因此如何在满足K-匿名的前提下,尽可能保证数据可用性、减少信息损失量则是一个值得研究的问题.对于此,针对数值型数据提出了一种基于迭代二分聚类的K-匿名算法KABIBC(K-anonymous algorithm based on iterative binary clustering)实现K-匿名.首先定义了组内距离之和WGSD(within-group sum of distance),并将数据表中的所有元组视为一个聚类,而后采用迭代的策略对其进行二分聚类,对于得到的子聚类采用同样的方式递归进行处理,并且在二分聚类时基于最小化信息损失量的原则合理调整2个子聚类的元组分配,直到得到满足K-匿名要求的最小子聚类,从而保证信息损失量趋于最优.给出了理论和实验分析,表明此机制有效减少了信息损失,同时有较高的运行效率.

一类新的φ-强增生算子方程的带误差的Ishikawa迭代程序(英文)

设X是任一实Banach空间,H:X→X是一致连续算子,且H+T:X→X是一强增生算子,证明了,在适当条件下,带误差的Ishikawa迭代程序强收敛到方程Hx+Tx=f的唯一解,还给出了讨论一次压缩算子不动点的逼近问题的结果。

一类非线性方程Mann和Ishikawa迭代程序的稳定性

设X是实Banach空间,H:X→X是Lipschitz算子,T:X→X是一致连续的且值域有界,H+T是强增生的,则Mann和Ishikawa迭代程序几乎稳定地强收敛到方程Hx+Tx=f的唯一解.