结合子空间Laplacian正则项的迁移联合匹配方法

基于核主成分分析的迁移联合匹配方法在处理高维数据的降维问题时,存在难以获得更具判别力的特征这一缺陷,由此,提出了一种结合子空间Laplacian正则项的迁移联合匹配方法。该法将原始数据映射到高维子空间,在高维子空间中提取Laplacian正则项和MMD分布适配项,以进一步获取更具判别力的特征,在此基础上重新调整实例权重以保证源域与目标域的一致性。最后在通用迁移数据集上对所提方法的有效性和鲁棒性进行测试,结果表明所提方法能提升跨域图像的平均分类性能并具有很好的鲁棒性。

Laplacian正则项半监督不平行超平面分类机

本文通过引入拉普拉斯(Laplacian)正则项,针对半监督分类问题我们建立了基于拉普拉斯正则项的半监督不平行超平面分类机。和经典的双支持向量机相比,该算法不仅继承了不平行超平面决策的优点,并且将其推广到了半监督分类问题中。最后在人工数据上进行数值实验,与拉普拉斯双支持向量机和拉普拉斯支持向量机做比较,数值结果表明我们提出算法的可行性和有效性,特别是对于交叉型数据集,基于拉普拉斯正则项的半监督不平行超平面分类机具有明显较高的分类精确度。

基于Laplacian正则和协同训练的抽油井故障诊断方法

单一视角下部分不同类型的工况样本相似会导致故障诊断准确率不高、无标记样本未被使用等问题,为进一步提高有杆泵抽油井故障诊断准确率,有效利用无标记样本,充分利用示功图和电功率两种数据,采用Laplacian正则和协同训练算法设计了抽油井故障诊断方法。首先,将Laplacian正则引入到协同训练模型中,以提高初始分类器精度;其次,以示功图和电功率作为特征视角,利用三层小波包变换提取视角特征,使用特征数据训练出对应的初始分类器,两者之间交换未知信息并更新分类器,提高模型的精确性;最后,应用该方法对某采油厂抽油机井的6种典型工况进行识别,并与标准协同训练、有监督学习方法进行比较。结果表明:在有标记样本较少时,该方法识别准确率优于仅使用示功图的SVM、仅使用电功率的SVM、标准协同训练,分别提高了约23.4%、20.83%、3.42%,验证了该方法的有效性。

基于正则化约束项的球坐标系大地电磁快速正演

随着跨大陆尺度的大地电磁(Magnetotellurics,简称MT)勘探的广泛开展,为了克服地球曲率带来的误差,有必要开展基于球坐标系下的3D MT正反演研究.该类正、反演问题的一个重要特点是所采用的频率往往比较低,在电磁场满足的偏微分方程中跟电导率有关的项几乎可以忽略.当采用数值方法进行该类电磁正演时,由于数值离散误差,正演算法无法模拟电性变化带来的电荷积累.因此在采用迭代求解器求解该类正演问题时,即使采用了传统的迭代电流散度校正技术,迭代求解器的收敛依然很慢.针对以上问题,本文显式地将散度校正项添加到原始控制方程中来对控制方程进行约束(为方便称之为正则化约束项),以保证每次迭代电流的散度为零.此方法避免了额外求解散度方程,以期显著提高球坐标系下3D MT正演效率.在正演中,采用球谐函数高阶项P10来近似MT的场源,在球坐标系下对加入了正则化约束项的正演方程进行有限差分离散.本文首先设计了一个一维层状结构模型,对本文所提算法的数值解与解析解进行了对比.然后设计了一个简单低阻模型和一个基于实测数据反演结果的Cascadia模型,测试了本文算法的数值表现.通过结果对比,验证了本文算法的正确性.数值表现测试结果显示相比于传统算法,本文算法在计算时间和迭代次数上都显著减少,而且不会随周期变化而发生显著变化.

基于重加权二阶正则项的图像修复算法

低维流形及其二阶扩展是近年来提出的新型视觉先验约束,已被应用于灰度图像修复并取得优秀的效果.然而,现存正则项从图像的本质空间维度以及结构平滑性出发,恢复出符合现实感知的视觉目标,却并未深入探究损失函数的能量集中特性.针对该问题,提出了一种基于重加权二阶正则项的灰度图像修复算法.具体而言,以二阶低维重构项为基础,首先将其扩展为基于分解系数的加权形式,并约束新的列权值至原有行权值上,突出能量集中特性.所提方法从图像块中提取局部基和非局部基构成一个紧致的框架,兼顾利用图像的局部-非局部特征.最终目标模型可分解为若干子线性方程进行优化求解.在多个经典图像上进行了大量的数值实验,修复结果表明,就视觉和数值两方面而言,提出的基于重加权二阶正则项修复算法均优于同类算法.

基于正则项的能谱CT投影分解方法研究

能谱CT通过探索不同X射线能量下衰减特性的差异,具有定量分析材料的能力。然而,利用光子计数探测器获得的多个投影数据在进行材料分解的过程中,会受到噪声放大的影响。本文在特定材料正则项的基础上,加入张量分解的正则项,用于降低噪声,提高分解效果。实验结果表明,本文提出的算法可以清楚地分解出不同材料的投影图,利用重建算法对材料投影图进行层析重建后,材料图像的边缘结构比较清晰,并且抑制了分解过程中的噪声,提高了图像质量。

Heisenberg群上带漂移项的次椭圆方程组弱解的正则性

本文研究Heisenberg群上带漂移项的散度型非线性次椭圆方程组弱解的正则性,利用A-调和逼近技巧,建立了方程组弱解的最优部分H?lder正则性.

基于衰减正则化项的I-ELM智能制造动态调度

增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)具有良好的非线性逼近能力,但原模型存在输出权重分布不均匀影响模型泛化能力的问题。本文提出了基于衰减正则化项的增量型极限学习机(ARI-ELM),通过在输出权值迭代求解过程中加入衰减正则化项,减小迭代前期隐节点的输出权值,并保证迭代多次后的新增节点不受较大正则化系数的影响,使网络整体的输出权值达到一个相对较小且分布均匀的状态,最终减小了模型的复杂度,从理论层面证明了加入衰减正则化项后模型仍然具有收敛性,并将该算法应用于具体的智能制造动态调度权重预测场景中,得到较好的效果。

Navier-Stokes方程基于旋转项在Lorentz空间中的正则性准则

利用Navier-Stokes方程的旋转形式和Lorentz空间技术,对三维不可压缩Navier-Stokes方程的解在时空Lorentz空间中建立了依赖旋转项的正则性准则.该结果改进了Navier-Stokes方程已有的Ladyzhenskaya-Prodi-Serrin准则.

热传导方程源项反演问题的指数型正则化方法

研究了有界域中热传导方程源项反演问题。通过热传导方程的特征值和特征函数,利用分离变量法重建源项,并给出了源项反演的条件稳定性,依据构造的指数型正则化方法,给出了先验选取和后验选取正则化参数下指数型正则化方法的正则化解的收敛性和误差估计。数值模拟的计算结果验证了算法的有效性。

自适应图嵌入和非凸正则特征自表达的无监督特征选择

针对传统的无监督特征选择不能充分兼顾样本及特征的局部结构,以及没有考虑非凸正则项带来更稀疏的解并能够选择出更具判别性特征等问题,提出了自适应图嵌入和非凸正则特征自表达的无监督特征选择方法。通过图嵌入降低特征维度,获得样本相似度矩阵,引导特征选择;引入特征自表达策略,用其余特征线性表示每一个特征,考虑特征间的相似性关系,保持特征局部结构;在特征自表达中添加非凸正则项,获得行更稀疏的权重矩阵,实现特征选择;在特征选择过程中执行自适应图嵌入对数据局部结构进行学习,选择最优特征子集;为求解非凸稀疏问题,使用交替迭代方法优化求解模型,设计了一种新的无监督特征选择算法。在6个数据集上与其他算法进行实验对比分析,实验结果表明所提算法是有效的。

基于多尺度去噪正则化和深度神经网络的相位恢复

相位恢复问题是恢复信号丢失或损坏的相位信息,以实现信号的准确分析、处理和重建。相位恢复在许多领域都有广泛的应用,例如通信系统、图像处理和计算机视觉、雷达和无线电频谱感知和生物医学工程等。然而,传统的相位恢复算法在噪声存在的情况下很难实现恢复任务。幸运的是,各种先进算法的不断提出和改进以及深度学习的兴起为处理相位恢复问题提供了很大的帮助。为了解决单个去噪正则项不能涵盖图像的全部先验信息的问题,本文考虑多尺度的去噪正则化求解带有噪声的相位恢复问题,它基于去噪正则化框架,而且它通过在优化问题中引入正则化项来实现去除图像中的噪声。为了解决将去噪正则化和FFDNet一起考虑求解带有噪声的相位恢复问题时恢复效果不好的问题,本文充分利用DnCNN和FFDNet这两种去噪器的优点,在相位恢复的过程中分情况使用这两种去噪器。最后本文通过数值实验表明了改进策略在视觉效果和量化数值上都有更加优异的表现。

基于改进边缘检测算法与灰度梯度正则化的导线舞动监测方法

为确保导线的电能传输质量,本文研究基于改进边缘检测算法与灰度梯度正则化的导线舞动监测方法,提升导线舞动监测效果,精准监测导线舞动情况。实验证明:该方法可有效去除导线图像噪声,提升导线图像清晰度;该方法可精准提取导线边缘线,且导线边缘线提取的连续性较优;该方法可有效监测导线舞动状态。

结合自适应空间权重的改进型时空正则项跟踪算法

为解决时空正则项的相关滤波视觉跟踪算法在目标部分遮挡时存在的模型漂移和尺度估计不准确问题,提出了结合自适应空间权重的改进型时空正则项跟踪算法。采用平均特征能量比将无法准确表达目标或过多表达背景信息的特征通道裁剪掉,以提高跟踪精度。在滤波器训练时加入空间权重正则项,利用时间正则项在目标遮挡时被动更新滤波器,使得在空间权重更新时更为准确,以此着重学习目标未被遮挡部分,获取可靠的相关滤波器系数。将滤波器求解划分为2个子问题,分别采用交替方向乘子法进行优化计算,保证算法运算速率。在牛顿迭代法中设置精度阈值,在保证定位精度的同时减少迭代次数。实验结果表明:在OTB-100数据集上所选择的6个视频序列中,所提算法较STRCF算法的平均中心位置误差降低了12.3像素,平均重叠率增加了7%,运算帧率可达19.25帧/s;在OTB2015遮挡视频序列中,所提算法较STRCF算法的成功率曲线下积分面积(SAUC)增加了0.7%,使用深度特征的所提算法较DeepSTRCF和ASRCF算法的SAUC分别提升了3.9%与0.9%。

一种新的模糊规则动态调整正则项系数的神经网络学习方法

从偏差 方差模型出发 ,提出了一种通过模糊规则推理动态调整正则项系数的新方法 ,并有效地确定了模糊推理规则和隶属度函数 .并将该方法与BP算法和固定正则项系数的方法进行了比较 ,该方法具有精度高、收敛快和泛化能力高等优点 。

自适应正则化项去除乘性噪声

针对乘性噪声去噪算法研究,乘性噪声多出现在合成孔径雷达、超声波和激光等相干图像系统中,与标准高斯加性噪声不同,乘性噪声符合瑞利和伽马分布函数。文中通过:(1)取对数把乘性噪声模型转变成相加形模型;(2)改进正则化项成为自适应扩散模型;(3)将数学模型应用于图像处理的实践当中。在解决了阶梯效应的同时保持了图像的边缘。

最优实验设计与Laplacian正则化的WNN的非线性预测控制

提出了基于最优实验设计与Laplacian正则化的自适应小波神经网络(Wavelet neural network,WNN)的非线性预测控制算法。该方法迭代地从WNN隐含节点候选集选取隐含小波神经元,并使用扩展卡尔曼滤波(Extended Kalman filter,EKF)方法调整该节点参数。为了控制WNN的复杂度,提出采用Laplacian正则化和最优实验设计选择重要的WNN隐含节点,使用最小描述长度(Minimum description length,MDL)准则确定节点数量。使用在线基于Gustafson-kesscl(GK)的模糊满意聚类算法确定WNN初始参数值和权重更新策略,该策略具有直观性和物理意义。最后给出基于WNN线性化模型的预测函数控制方法。对工业焦化装置温度控制进行仿真,结果说明了算法的有效性。

一种连续卷积与时空正则项的相关滤波目标跟踪算法

针对STRCF算法在目标被遮挡及快速旋转时定位不准确的问题,提出了一种连续卷积与时空正则项的相关滤波算法。该算法利用插值算子将响应函数在一定周期内转换为连续函数,提高了目标定位精度;加入时空正则项构建相关滤波模型,保证模型与上一帧模型相似,提高算法鲁棒性;采用快速多尺度滤波对尺度进行更新,提高运算效率。实验结果表明,所提算法的平均重叠率可达73%,中心位置误差低于8.2个像素,可以实现对目标实时和鲁棒性跟踪。

一种双正则项各向异性扩散的纹理去噪模型研究

为了有效滤除图像噪声,同时最大限度地保留图像纹理和边缘等细节信息,将多尺度几何分析方法和各向异性扩散模型结合,构建了一种采用双正则项各向异性扩散的反应扩散方程,并完成了目标函数的离散及其数值解收敛性证明。目标函数定义为以波原子、曲波变换后邻域内梯度值为参数的扩散控制函数,使扩散在图像信息丰富的纹理和边缘区域减弱,并通过反应项对扩散进行调节,以得到更好的平滑效果。实验结果证明,该方法较传统的反应扩散模型不仅能提高图像的信噪比,而且可以更好地保留图像边缘和纹理等细节信息。

采用凹二次正则项的弹性点匹配算法

现有的采用l1范数正则项的点匹配算法,其l1范数优化问题可等价为一个线性规划问题,但约束不满足完全的单模性,这导致解出的对应关系不是整数,需要后续的取整过程,这会给计算结果带来额外误差并使算法复杂化。为解决该问题,基于鲁棒点匹配算法的最新成果,提出一种新的正则项。该正则项是凹的,可以证明目标函数具有整数的最优解,所以算法无须后续处理,实现起来更简单。实验结果表明:相比采用l1范数正则项的算法,所提算法对于各种干扰均有更好的鲁棒性,特别对于野点干扰,误差只有对比算法的一半。