为了进一步提高极限学习机(extreme learning machine,ELM)的稳定性和稀疏性,在鲁棒ELM的基础上,引入l_(0)范数作为模型的正则项来提高稀疏性,建立了基于l_(0)范数正则项的稀疏鲁棒ELM。首先,通过一个凸差(difference of convex,DC)函...为了进一步提高极限学习机(extreme learning machine,ELM)的稳定性和稀疏性,在鲁棒ELM的基础上,引入l_(0)范数作为模型的正则项来提高稀疏性,建立了基于l_(0)范数正则项的稀疏鲁棒ELM。首先,通过一个凸差(difference of convex,DC)函数逼近l_(0)范数,得到一个DC规划的优化问题;然后,采用DC算法进行求解;最后,在人工数据集和基准数据集上进行实验。实验结果表明:基于l_(0)范数的鲁棒ELM能够同时实现稀疏性和鲁棒性的提升,尤其在稀疏性上表现出较大的优势。展开更多
l_(0)梯度最小化图像平滑算法可在保持边缘的同时滤除纹理和细节,但该算法使用图像梯度判决被平滑成分时会出现包含较小图像梯度(弱边缘)的区域会被平滑,而包含较大图像梯度(强纹理)的区域被保留的现象.为克服此缺陷,提出一种基于图像块...l_(0)梯度最小化图像平滑算法可在保持边缘的同时滤除纹理和细节,但该算法使用图像梯度判决被平滑成分时会出现包含较小图像梯度(弱边缘)的区域会被平滑,而包含较大图像梯度(强纹理)的区域被保留的现象.为克服此缺陷,提出一种基于图像块l_(0)梯度最小化算法(image-patch based l_(0)gradient minimization algorithm,简称IP-l_(0)算法)的图像平滑算法,通过对输入图像中的图像块而非整幅图像进行平滑,动态改变图像块目标函数中的权重参数,令主要包含强纹理的图像块以较大的力度进行平滑,而主要包含弱边缘的图像块以较小的力度进行平滑,再整合平滑后的图像块得到整个边缘保持平滑图像.对IP-l_(0)算法、原始的l_(0)梯度最小化算法、基于局部拉普拉斯滤波器的算法、基于相对全变差算法、基于树滤波的算法,以及2种基于深度学习的边缘保持算法进行仿真实验,结果表明,使用IP-l_(0)算法滤波后的图像能在保持较弱的边缘的同时平滑强纹理.展开更多
文摘为了进一步提高极限学习机(extreme learning machine,ELM)的稳定性和稀疏性,在鲁棒ELM的基础上,引入l_(0)范数作为模型的正则项来提高稀疏性,建立了基于l_(0)范数正则项的稀疏鲁棒ELM。首先,通过一个凸差(difference of convex,DC)函数逼近l_(0)范数,得到一个DC规划的优化问题;然后,采用DC算法进行求解;最后,在人工数据集和基准数据集上进行实验。实验结果表明:基于l_(0)范数的鲁棒ELM能够同时实现稀疏性和鲁棒性的提升,尤其在稀疏性上表现出较大的优势。
文摘l_(0)梯度最小化图像平滑算法可在保持边缘的同时滤除纹理和细节,但该算法使用图像梯度判决被平滑成分时会出现包含较小图像梯度(弱边缘)的区域会被平滑,而包含较大图像梯度(强纹理)的区域被保留的现象.为克服此缺陷,提出一种基于图像块l_(0)梯度最小化算法(image-patch based l_(0)gradient minimization algorithm,简称IP-l_(0)算法)的图像平滑算法,通过对输入图像中的图像块而非整幅图像进行平滑,动态改变图像块目标函数中的权重参数,令主要包含强纹理的图像块以较大的力度进行平滑,而主要包含弱边缘的图像块以较小的力度进行平滑,再整合平滑后的图像块得到整个边缘保持平滑图像.对IP-l_(0)算法、原始的l_(0)梯度最小化算法、基于局部拉普拉斯滤波器的算法、基于相对全变差算法、基于树滤波的算法,以及2种基于深度学习的边缘保持算法进行仿真实验,结果表明,使用IP-l_(0)算法滤波后的图像能在保持较弱的边缘的同时平滑强纹理.