L_1-L_2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。

基于L_1/L_2范数的表面多次波自适应相减方法

依据L1和L2范数自适应相减方法的特性,提出了联合L1/L2范数的表面多次波自适应相减方法,并引入GPU并行加速,在充分发挥两种方法优势的同时,有效缓解了两种自适应相减方法限制性条件引发的问题,在较短的时间内获得收敛的维纳滤波器,并且较好地拟合多次波模型和原始记录中的多次波。文中方法无需L2范数方法的假设条件,相比于L1范数方法提高了计算效率。理论模型和实际海洋地震数据测试表明,基于L1/L2范数的GPU并行加速的表面多次波自适应相减方法可有效压制地震数据中的表面多次波。

自适应加权混合L1/L2范数匹配相减多次波压制方法

基于波动方程的自由表面多次波和层间多次波压制时,自适应匹配相减方法的选取是关键的环节。L2范数自适应匹配相减方法适用于多次波强而有效波弱的情况,L1范数自适应匹配相减方法则适用于多次波弱而有效波强的情况,L2范数自适应匹配相减方法的运算速度明显较L1范数自适应匹配相减方法更快。自适应加权混合L1/L2范数匹配相减方法需要构建联合L1范数和L2范数的目标函数,再根据地震数据中有效波与多次波的能量比自适应地调整目标函数中L1范数和L2范数所占权值。该方法充分利用了L1范数和L2范数压制多次波时对地震数据不同的要求,既不需要L2范数自适应匹配相减方法的有效信号与噪声正交的假设,又克服了L1范数自适应匹配相减方法运算效率较低的缺点,在保证压制效果的同时提高了计算效率。多层水平层状模型及SEG/EAGE Pluto模型的测试结果表明,相较于常规方法,该方法明显提升了多次波的压制效果。

基于重加权l_1范数惩罚的远近场混合源定位算法

现有信源定位方法大多假定信源是远场源或近场源,而实际定位系统中往往存在远场源和近场源共存的情况.为实现远、近场源分离及高精度信源定位,本文在稀疏信号重构理论框架下提出了一种新的远近场混合源定位算法.该算法利用阵列协方差矩阵反对角线元素和重加权l_1范数惩罚获得所有信源的到达角(Direction Of Arrival,DOA)估计.在DOA估计的基础上,根据远场与近场源距离参数位于不同区间的特点利用一维搜索实现远、近场源分离以及近场源距离参数的估计.从理论角度分析了重加权l_1范数惩罚算法的重构性能.本文所提算法不仅同时适用于高斯和非高斯信号,而且无需多维搜索和参数配对,也无需信源数的先验信息,同时还可以获得较好的定位精度.计算机仿真结果验证了所提算法的有效性.

基于迭代加权L2/L1范数块稀疏信号重构的ISAR成像算法

为实现快速、高分辨率逆合成孔径雷达(ISAR)成像,利用目标的内在块稀疏结构信息,提出一种迭代加权L2/L1范数块稀疏重构ISAR成像算法。构建ISAR稀疏成像模型,将ISAR成像问题转化为稀疏信号重构问题后,在每次迭代中求解用于下次迭代的权值向量解,从而实现高分辨率ISAR成像。实验结果表明,相比BP、OMP、SBL算法,该算法可以改善成像质量,提高重构效率。

基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测

利用L1惩罚Logit模型,实证检验P2P网贷信用违约的关键影响因素;并利用混淆矩阵与ROC曲线等分类评价方法,检验模型的违约预测效果。研究发现:L1惩罚Logit模型具有很好的变量选择功能,可以有效地识别影响信用违约的关键因素,降低管理者的监管成本;L1惩罚Logit模型能够获得比普通Logit模型、支持向量机等更好的预测效果,既能够从总体上实现对信用违约状态的准确预测,又能够细致分析关键影响因素对违约概率造成的影响,有助于预测和控制信用风险的发生。

基于L_(1/2)范数约束增量非负矩阵分解的SAR目标识别

增量非负矩阵分解(INMF)随目标样本增加逐渐更新分解模型,能够有效解决NMF算法的计算代价随样本增加而成倍增长的问题。然而INMF在使NMF具备增量学习能力的同时,并未考虑NMF分解矩阵的稀疏性对识别性能的提升作用。针对上述问题,提出基于L1/2范数约束的增量非负矩阵分解(L1/2-INMF)算法,并应用于SAR目标识别。L1/2-INMF采用L1/2范数实时约束增量过程中的NMF分解矩阵,能够在不增加计算复杂度的同时,提升识别性能。针对MSTAR数据集的仿真实验结果表明,提出的L1/2-INMF能够解决传统非负矩阵分解方法计算代价随样本增加而增加的问题。

基于混合L1/L2范数的多次波自适应减方法

基于自由表面相关多次波压制(SRME)方法的重要步骤之一是将匹配后的多次波从原始数据中减去。L2范数多次波自适应减方法适用于有效波能量较小的情况,而L1范数多次波自适应减方法可适应有效波能量较强的情况。为获取更理想的自适应减方法,通过加权组合的方式建立使L2范数和L1范数多次波自适应减方法相结合的数学模型,并提出权系数的确定方法,然后结合模型数据和实际数据进行单道多次波压制处理,将处理结果与单独使用L2范数和L1范数自适应减方法所得结果进行对比,结果显示使两种范数加权组合的方法不仅能相对更好地压制多次波的能量,有效波的能量也保持较好。

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l_1-l_2范数的块稀疏信号重构

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元是成块出现的.受YIN Peng-hang,LOU Yi-fei,HE Qi等提出的l_1-2范数最小化方法的启发,将基于l_1-l_2范数的稀疏重构算法推广到块稀疏模型,证明了块稀疏模型下l_1-l_2范数的相关性质,建立了基于l_1-l_2范数的块稀疏信号精确重构的充分条件,并通过DCA(difference of convex functions algorithm)和ADMM(alternating direction method of multipliers)给出了求解块稀疏模型下l_1-l_2范数的迭代方法.数值实验表明,基于l_1-l_2范数的块稀疏重构算法比其他块稀疏重构算法具有更高的重构成功率.

两期变形网L_2/L_1范数解法

本文将L_2范数和L_1范数结合起来,利用L_1范数的稳健性,提出了用于变形网的两阶段L_2/L_1范数解法,并通过算例将它与最小二乘法进行比较,其结果表明网点中有单点位移存在时最小二乘方法会得到有偏估计,而L_2/L_1范数解法能可靠地得出网点中各点的变动信息及位移值。

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。

L1+L2正则化逻辑斯蒂模型分类算法

提出一种L1+L2范数正则化逻辑斯蒂模型分类算法。该算法引入L2范数正则化,解决L1正则化逻辑斯蒂算法迭代过程奇异问题,通过引入样本向量的扩展和新的权值向量完成L1范数非平滑问题,最终使用共轭梯度方法求解经过转化的最优化问题。在各种实际数据集上的实验结果表明,该算法优于L2范数、L1范数和Lp范数正则化逻辑斯蒂模型,具有较好的特征选择和分类性能。

l1范数优化技术及其在数据处理中的应用

本文在论述数据处理的稳定性原则的基础上，利用l1范数稳定性强的特点，将l1范数优化技术应用于受扰动的测量数据处理中，并利用单纯形方法编制了相应的程序；给出的数据处理实例表明，l1范数的优化数据处理比l2范数的处理结果更稳定。

一种结合快速L_1范数最小化算法的柱面匀场线圈目标场设计方法

目标场方法由Turner于1986年提出,到目前为止该方法已成为核磁共振成像系统中匀场、梯度线圈设计的一种主流方法。各种改进的目标场方法纷纷涌现。为解决线圈设计中的有限尺寸问题,Forbes和Crozier提出了一种新方法,该方法预先通过三角函数来约束线圈面上的电流密度分布,为克服方程求解过程中的病态问题,对电流密度表达式中的待定系数采用最小均方差(least square,LS)和L2范数相结合的方法来进行估计,成功得到了有限长匀场线圈的设计结果。该文采用最小均方差和L1范数结合的方法来对面电流密度分解表达式中的未知系数进行估计,并将该方法应用于核磁共振成像(magnetic resonance imaging,MRI)系统的匀场线圈设计中。系统主磁体长度为3 m,室温孔直径为1.6 m,目标区域(region of interest,ROI)直径为0.4 m。算例采用Matlab仿真平台,结果表明该文提出的LS-L1目标场方法相比于传统的LS-L2目标场方法磁场偏差更小、效果更好。

具有容错能力的L_1最优化半自动2D转3D

半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数,并通过分裂Bregman算法予以求解.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法 PSNR改善了0.9d B以上,且在视觉上屏蔽了用户误操作的影响.

基于L_1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法。采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度。

基于L1-范数的二维线性判别分析

为了避免图像数据向量化后的维数灾难问题,以及增强对野值(outliers)及噪声的鲁棒性,该文提出一种基于L1-范数的2维线性判别分析(L1-norm-based Two-Dimensional Linear Discriminant Analysis,2DLDA-L1)降维方法。它充分利用L1-范数对野值及噪声的强鲁棒性,并且直接在图像矩阵上进行投影降维。该文还提出一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明。在多个图像数据库上的实验验证了该方法的鲁棒性与高效性。

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L1范数多项式拟合的多次波消除方法

如何在不损伤一次波的情况下压制多次波是地震信号处理的难点之一。在CDP道集中,一次波和多次波的运动学特征可以由叠加速度和零炮检距时间确定。利用AVO特性可以表示一次波(多次波)的振幅随炮检距的变化。假设在速度谱上,多次波和一次波一般是分开的,从而可以进行多次波和一次波的识别。本文提出一种沿着多次波的双曲线轨迹,利用基于L1范数的多项式拟合技术估计多次波的方法,可以有效地消除一次波和随机噪声对预测多次波的影响。人工合成和实际地震数据处理结果表明,与基于L2范数多项式拟合技术的方法相比,本文算法在有效压制多次波的同时,能更好地保护一次波。