基于L_(p)拟范数稀疏约束和交替方向乘子算法的波阻抗反演

波阻抗是反映岩性的重要参数之一,该参数可通过叠后反演获得。基于L_(1)范数稀疏约束的正则化方法是目前常用的叠后波阻抗反演算法,但该方法获得的先验信息有限。为了挖掘更多的稀疏先验信息,进一步提高反演结果的精度,引入了基于L_(p)拟范数(0<p<1)稀疏约束和交替方向乘子算法两项关键技术。前者针对稀疏先验信息挖掘不足问题,采用了比L_(1)范数更为稀疏的L_(p)拟范数(0<p<1)作为稀疏约束,并加入了初始模型约束构成目标函数;后者针对L_(p)拟范数无法直接求解问题,采用交替方向乘子算法将目标函数分解为多个可以直接求解的子函数,然后交替求解。将提出的反演方法用于理论模型及实际数据的反演,与传统L_(1)范数稀疏约束的基追踪反演算法相比,新方法得到的反演结果精度更高,并具有一定的抗噪性。

l_(p)-范数约束下MKL-OC-ELM的装备故障检测

针对列装时间短的现役装备故障样本匮乏、现有算法故障检测准确率较低的问题,将多核学习(multiple kernel learning, MKL)与一类超限学习机(OC-ELM)相结合,提出l_(p)-范数约束下多核学习一类超限学习机(l_(p)-MKOCELM)的检测模型.在l_(p)-范数约束下,定义了将MKL与OC-ELM相结合的数学优化形式,推导出基核组合权重与Lagrange乘子的更新方式;为方便故障检测的实施,基于l_(p)-MKOCELM定义了统计检验量与检测阈值;通过实验验证了不同范数的约束形式的近似等价性.将所提出方法应用于常用的UCI数据集和某型装备的测试数据,实验结果表明,相比于传统的SVDD、PCA、OC-SVM、OC-KELM等方法,所提出方法在平衡漏警、虚警的同时,能够显著提升检测精度.