基于Adaboost权值更新以及K-L距离的特征选择算法

对于颜色、纹理变化较大的目标,边界片段是一种较为稳定的特征.手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目,不能满足统计学习中大样本训练的要求.但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声.在这种情况下特征的选择就显得尤为关键.本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法,在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集.选择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据,有效地减少了背景中边界片段的干扰.实验证明该算法是有效的.

L距离及其应用

文中定义了L距离 ,讨论了它的性质 ;指出了应用L距离对高校教师学术水平进行聚类分析的合理性。

基于 L_1 距离的人工势函数构造及机器人无碰撞路径规划方法

介绍了三维空间中凸多面体间Ｌ１距离的性质及其计算方法，在此基础上提出一种基于Ｌ１距离的机器人Ｃ－空间人工势函数构造方法以及相应的机器人无碰撞路径规划方法，并对二维空间中移动机器人的无碰撞路径规划进行了图形仿真。

基于L1-范数距离的最小二乘对支持向量机

最小二乘对支持向量机(LSTSVM)是一种有效的分类技术。然而,该方法需计算点到平面的平方L2-范数距离,从而易受野值或噪声的影响。为了缓解此问题,提出了一种有效的鲁棒LSTSVM方法,即基于L1-范数距离的LSTSVM(LSTSVM_(L1D))。该方法由于使用L1范数作为距离度量,因此不易受到野值或噪声数据的影响。此外,设计了一种有效的迭代算法,旨在求解目标问题,并从理论上证明了其收敛性。在人工数据集和UCI数据集上验证了LSTSVM_(L1D)的有效性。

基于升阶矩阵的有理曲面之间L_2距离计算

计算曲线曲面之间的距离是几何设计与几何逼近的一个重要课题,如估计有理曲线曲面的降阶逼近和多项式逼近的误差时,需要一种简洁有效的方法来计算原曲线曲面和逼近曲线曲面间的距离.首先给出了基于升阶矩阵的两张有理B啨zier曲面的L2距离表示,然后利用这个L2距离表示和最小二乘法,对有理B啨zier曲面多项式逼近的误差作了明确而统一的度量.最后,基于Bernstein基与B样条基的相互转换,把有理B啨zier曲线曲面的L2距离表示简洁地推广到有理B样条曲线曲面.所得到的几个计算曲线曲面之间的L2距离的公式均可通过矩阵运算表示,十分利于程序的实现,有应用价值.最后还给了几个实例.

基于以像素块计算L2距离的块纹理合成

在基于MRF模型的块纹理合成中,计算两纹理块之间的L2距离和寻找最佳纹理匹配块都是非常耗时的过程。计算纹理块之间的L2距离是纹理合成中的瓶颈问题,制约着纹理合成的速度。针对合成速度问题提出一种新的基于以像素块计算两纹理块之间L2距离的块纹理合成方法。在计算两纹理块之间L2距离时不逐个像素点地进行计算,而将多个像素点视为一个像素点进行计算,极大地提高了计算两纹理块间L2距离的速度。该方法可以在几乎不影响图形合成质量的前提下,将纹理合成的速度提高数倍甚至更高。

左截断右删失下核密度估计的L_1距离的界(英文)

本文在左截断右删失数据下获得了概论密度的核估计的L1距离的一个上界．

关于GB3323-87标准对透照距离L1选择规定的介绍

关于GB3323-87标准对透照距离L1的规定,有人提出以下两个问题: 1.为什么要使用L2的三分之二次方? 2.为什么L1A级的系数用7.5而L1B级的系致用15?

Poisson分布正态近似的Lévy距离方法

给出了Poisson分布正态近似定理的一个初等证明;利用Lévy距离刻画了正态分布逼近Poisson分布的整体性能;运用R软件编程,数值计算结果表明了该近似的有效性.

基于L1范数凸包数据描述的多观测样本分类算法

为建立高维空间样本分布的最佳覆盖为目标来实现覆盖分类,该文提出基于L1范数凸包数据描述的多观测样本分类算法。首先对训练集的每个类别以及测试集的多观测样本分别构造凸包模型,这样多观测样本的分类就转化为凸包模型的相似性度量问题。若测试集的凸包模型与训练集无重叠,采用L1范数距离测度进行凸包模型之间的相似性度量;若有重叠,采用L1范数距离测度进行收缩凸包(reduced convex hulls)之间的相似性度量。然后采用最近邻准则作为多观测样本的分类决策。在3个数据库上进行的实验结果,表明该文提出方法对于多观测样本分类具有可行性和有效性。

雷达目标一维距离像识别创新课程设计

为了提高雷达原理与系统课程的教学质量与效果,该文基于多次样本的高分辨雷达一维距离像设计了一个雷达目标识别的仿真验证课程项目,即一种针对最小K-L距离判决准则的不对称性而利用最小R-A距离判决准则的改进方案,并具体阐述了K-L和R-A方法的原理及实施方式,给出了试验流程图和仿真过程中各参数的选择。实践表明,该课程设计形象生动、易于掌握,涵盖了雷达原理,目标识别等技术,满足了教学与科研的需要。

加权距离下模糊数的区间逼近

在加权L2距离意义下得到了模糊数的最近区间逼近。基于此,引入了最近区间逼近算子,并讨论了这个算子的基本性质,证明了算子关于加权L2距离Lipschitz连续,其Lipschitz常数为1。

基于有效迭代算法的鲁棒L1范数非平行近似支持向量机

针对鲁棒L1范数非平行近似支持向量机(L1-NPSVM)求解算法无法保证获取可靠解的问题,提出一个新颖的迭代算法来解L1-NPSVM的目标问题。首先,根据L1-NPSVM原目标问题对解具有规模不变性,将其转换为一个等价的带等式约束的最大化问题。该迭代算法在每次迭代中利用更新权机制获取每次迭代的更新解;每次迭代中,问题归结为解两个快速的线性方程问题。从理论上证明了算法的收敛性。在公共UCI数据集上,实验显示,所提算法不仅在分类性能上要远远好于L1-NPSVM,且具有相当的计算优势。

一种基于自适应加权的鲁棒联邦学习算法

联邦学习(Federated Learning,FL)允许多个数据所有者联合训练机器学习模型,而无需他们共享私有训练数据。然而,研究表明,FL容易同时遭受拜占庭攻击和隐私泄露威胁,现有的研究都没有很好地解决这一问题。在联邦学习场景中,保护FL免受拜占庭攻击,同时考虑性能、效率、隐私、攻击者数量、简单可行等问题,是一个极具挑战性的问题。为解决这一问题,基于l 2范数和两次归一化方法提出了一种隐私保护鲁棒联邦学习算法DP-FedAWA。提出的算法不需要训练过程之外的任何假设,并且可以自适应地处理少量和大量的攻击者。无防御设置下选用DP-FedAvg作为比较基线,防御设置下选用Krum和Median作为比较基线。MedMNIST2D数据集上的广泛实验证实了,DP-FedAWA算法是安全的,对恶意客户端具有很好的鲁棒性,在Accuracy,Precision,Recall和F1-Score等性能指标上全面优于现有的Krum和Median算法。

基于小生境混合遗传算法的文本特征词聚类研究

提出一种基于小生境混合遗传算法的文本特征词聚类方法。该方法首先采用贝叶斯语义模型对语料库进行统计分析,并以K-L距离度量特征词间的距离,然后将小生境遗传算法与K-Means算法相结合,对文本特征词进行聚类,为文本特征词聚类提供了较高的效率和精确度。实验表明该方法是一种高效可行的文本特征词聚类方法。

强影响点的诊断

强影响点指对参数估计的稳定性及真实性具有很大影响的数据，一般用经验影响函数θ－θ（ｉ）度量，θ－θ（ｉ）为多维向量，为方便，常用θ－θ（ｉ）的某种数量函数ｇ（θ－θ（ｉ））来刻划，但ｇ的确定较为困难，目前仅限于线性回归分析有Ｃｏｏｋ距离法。本文提出一种确定方法，它适用于任何参数统计分析，并且就线性回归分析而言，用该方法较Ｃｏｏｋ距离法更合理，将该方法用于ＣＯＸ模型，从应用实例看。

无下采样轮廓波广义高斯纹理检索系统

针对轮廓波变换纹理图像检索系统检索率较低的问题,提出一种基于广义高斯分布和无下采样轮廓波变换的纹理图像检索系统.该系统采用的特征向量由无下采样轮廓波变换域各子带内系数广义高斯分布的尺度参数和形状参数连接而成,相似度度量标准使用K-L距离.实验结果表明:采用相同的系统结构和分解结构参数,在基本相同的检索时间内,无下采样轮廓波检索系统比基本轮廓波检索系统具有更高的检索率.

二维纹理合成算法优化研究

基于已有的二维纹理合成算法,提出了基于样图纹理合成的优化算法。在合成过程中,通过多种子点选择、以螺旋状路径在原图中搜索新匹配点、边界扩充、L2距离计算优化等技术加速合成过程,提高合成质量,实验结果取得了令人满意的效果。

面向鲁棒性的孪生有界支持向量机分类算法

孪生有界支持向量机(Twin Bounded Support Vector Machine,TBSVM)是近期提出的一种优秀的距离度量学习二分类算法。在TBSVM的目标函数中,使用L2范数距离作为度量准则,因此当训练样本中出现异常值或噪声时,L2范数距离的平方很容易夸大它们的影响。为了缓和这一问题,本文提出了一种鲁棒的基于L1范数距离度量的TBSVM分类算法(L1-TBSVM)。由于L1-TBSVM的目标函数中包含了非平滑的L1范数项,很难直接对它进行求解,故我们通过迭代增广向量来更新对角矩阵,直到目标函数值收敛到一个固定值,以此来获得最优解。该迭代算法简单有效,且易于实施。最后,通过合理的理论分析,以及在UCI数据集和人工数据集上的大量实验,检验了L1-TBSVM算法的可行性和有效性。

烷基苯热力学性质与分子结构之间的关系研究

计算并研究了烷基苯类化合物拓扑指数n、J、L与其热力学性质ΔH0f(g)、ΔG0f(g)、S0(g)、logKp之间的相关性和选择性.该文所构建经验公式其相关性近于倪才华的结果,而选择性优于倪才华的.