基于Lp范数的非负矩阵分解并行优化算法

非负矩阵分解算法可以从高维数据中提取出低维和稀疏的有用信息,是处理图像聚类、数据压缩和特征提取等问题的重要手段。传统非负矩阵分解算法大多采用欧几里得距离来度量重构误差,尽管其在许多任务中已经显示出有效性,但在解决实际应用问题时仍面临着聚类效果欠佳、收敛速度慢、稳定性较差等问题。为解决这些问题,文中采用Lp范数作为非负矩阵分解的损失函数,通过调节系数p来获得更好的聚类结果。基于协同优化理论和Majorization-Minimization算法,使用粒子群优化算法来并行求解基于Lp范数的非负矩阵分解问题,并在多个真实数据集上验证了所提方法的可行性和有效性。实验结果表明所提算法明显提升了程序的执行效率且一系列评价指标均优于传统非负矩阵分解算法。

General Solution and Stability of Quattuordecic Functional Equation in Quasi β-Normed Spaces

In this paper, we introduce the following quattuordecic functional equation f(x+7y)-14f(x+6y)+91f(x+5y)-364f(x+4y)+1001f(x+3y)-2002f(x+2y)+3003f(x+y)-3432f(x)+3003f(x-y)-2002f(x-2y)+1001f(x-3y)-364f(x-4y)+91f(x-5y)-14f(x-6y)+f(x-7y)=14!f(y), investigate the general solution and prove the stability of this quattuordecic functional equation in quasi β-normed spaces by using the fixed point method.

一种基于Lp范数最小化问题的人脸识别算法

基于Lp范数最小化问题的稀疏编码是人脸识别、图像重建、压缩感知等领域中的重要方法。文章在迭代重加权最小二乘法的基础上进行改进,提出一种新的求解Lp范数最小化问题的算法。该方法能巧妙地避免除以零的问题,同时将解域拓展到力≥0的范围。最后通过人脸识别实验证明了该方法的有效性。

应用L_(p)拟范数稀疏约束的纵横波速比直接反演

纵横波速比(vP/vS)是识别气藏、描述储层特征和判别岩性的重要解释工具。目前主要是通过反射系数近似方程反演得到纵、横波速度,再进一步计算纵横波速比,但是这种间接计算方法会产生累积误差。为了直接从叠前地震数据反演纵横波速比,文中提出了一种新的广义弹性阻抗方程,再进一步推导出一个与纵横波速比、纵波速度、密度相关的纵波反射系数近似方程。为了得到精度较高的反演结果,基于推导出的反射系数近似方程,提出一种基于Lp拟范数稀疏约束的叠前地震反演方法,并通过交替方向乘子算法求解。将提出的直接反演方法应用于理论模型和实际数据,并与间接反演方法相对比,结果表明该直接反演方法的反演结果精度较高,对含气储层的边界刻画更清晰。

鲁棒的稀疏Lp-模主成分分析

主成分分析(Principle component analysis,PCA)是一种被广泛应用的降维方法.然而经典PCA的构造基于L2-模导致了其对离群点和噪声点敏感,同时经典PCA也不具备稀疏性的特点.针对此问题,本文提出基于Lp-模的稀疏主成分分析降维方法 (Lp SPCA).Lp SPCA通过极大化带有稀疏正则项的Lp-模样本方差,使得其在降维的同时保证了稀疏性和鲁棒性.Lp SPCA可用简单的迭代算法求解,并且当p≥1时该算法的收敛性可在理论上保证.此外通过选择不同的p值,Lp SPCA可应用于更广泛的数据类型.人工数据及人脸数据上的实验结果表明,本文所提出的Lp SPCA不仅具有较好的降维效果,并且具有较强的抗噪能力.

Lp范数约束下的最大化L1范数主成分分析

针对主成分分析在处理污染数据时的敏感性且其投影向量非稀疏的特性,提出一种鲁棒主成分分析的优化模型.该模型的目标函数采用L1范数且投影向量受Lp范数约束.范数约束下的主成分分析算法被用来求解该模型且其理论分析表明该算法可取得局部最优解.另外把核函数嵌入到线性模型并给出核方案.通过在UCI数据集和人脸库上的实验表明该算法的可行性和有效性.

lp范数正则化的混沌压缩感知信号重构性能

混沌压缩感知是一种利用混沌系统实现非线性测量,通过混沌脉冲同步和参数估计技术实现信号重构的压缩感知理论。针对混沌压缩感知重构系统中采用l1范数正则化信号系数导致在信号稀疏水平较高时重构性能急剧下降的问题,利用lp(0 p 1)范数来正则化信号系数,将重构系统中的非线性约束l1范数最小化问题替换为非线性约束lp范数最小化问题,并提出-正则迭代再加权非线性最小二乘算法进行求解。以Henon混沌为例,研究了频域稀疏信号的重构性能,数值模拟表明lp范数正则化能够准确重构出比l1范数正则化时稀疏水平更高的信号。

lp范数反演谱分解及其多稀疏融合解释

谱分解技术已广泛地应用于地下异常体(如断层、河道和溶洞等)的检测和识别中,但大多数常规谱分解方法由于受到窗函数的限制,导致时频聚焦性和分辨率较低,影响地震目标精细解释。针对这一问题,我们研究了基于lp(0<p≤1)范数约束的稀疏反演谱分解方法(SISD,Sparse Inverse Spectral Decomposition),并用数值模型验证该方法具有较高的时频分辨率特性,能够更好地用于地震薄层解释。此外,针对实际地下的复杂地质情况,本文进一步提出了基于多分辨率时频特征融合的lp范数约束反演谱属性解释方法,通过对不同lp范数约束的时频谱结果进行综合分析,从而提供了比传统单一范数约束策略更加精细的解释结果。最后将该策略应用于西部某工区面积约230km^(2)的三维实际地震资料处理解释,清楚地展现出研究区由北部潜山高部位逐级向南汇聚的地表水系特征及断裂发育情况。表明所提出的方法在地震解释中的应用潜力。

Lp范数下2台机器并行工件在线排序问题研究

本文研究一类并行工件平行机在线排序问题。给定2台平行机和一组按列表到达的并行工件,对每一到达的工件进行机器指派和确定开工时间,使得机器完工时间的lp范数最小。本文首先分析了LS算法的竞争比,其值为2;其次证明了任何在线算法的竞争比不小于4/3。

“线材合理利用”LP模型的改进

“线材合理利用”是运筹学应用于实际中比较有代表性的问题。很多运筹学教材将该问题作为线性规划应用的成功范例加以选用。然而对于“线材利用问题”,应用线性规划模型是不完善的,本文首先对此进行了充分说明,然后针对不同实际背景,提出了两个整数规划模型,并就两个模型进行了分析比较。最后,从实际应用角度,给出了特定场合下“线材合理利用”的拟最优算法。

非对称赋范空间上点到集合的最大距离及最远点的刻画

主要研究了非对称赋范空间上的最远点问题。首先,在非对称赋范空间中引入了最远点及最远点映射的概念,研究了最远点集及最远点映射的基本性质;其次,借助非对称赋范空间对偶空间理论得到了点到非空有界集的最大距离公式;最后,利用拟支撑超平面理论给出了点到非空有界集的最远点的等价刻画。

基于Optuna框架的L_(p)范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_(p)范数约束的代价敏感的多核支持向量机(L_(p)-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_(p)范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_(p)-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_(p)-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。

学习理论中的MLP方法

移动最小二乘(MLS)法是数据插值、数值分析和统计等学科领域的一种逼近方法.H.Y.Wang,D.H.Xiang,D.X.Zhou(J Approx Theory,2010,162:599-614.)用MLS方法研究了L2框架下学习理论中的回归问题,从而得到了样本误差、逼近误差的更优结果.但是很多函数类在L2框架下很难研究,于是本文用移动最小p乘(MLP)法将L2框架下学习理论中回归问题的一些理论推广到Lp(1≤p≤∞)框架下,从而为研究Lp框架下学习算法的泛化性能提供了理论基础.

基于Lp范数的样本对加权的人脸识别

针对双向的二维主成分分析算法容易受到样本均值影响的问题,提出一种优化模型并用迭代算法对其进行求解。该模型不仅能有效避免样本均值的影响,而且采用高斯函数对样本对进行加权,通过控制模型的参数p求取稀疏的最优投影向量,在一定程度上减弱部分遮挡对人脸识别的影响。在NYU_UMIST、Yale和ORL人脸数据库上的实验结果表明,与同类算法相比,该算法性能提高1%-4%。

积分型拟Kantorovitch算子在Lp_［0，1］空间中的收敛阶

定义了积分型拟ｋａｎｔｏｒｏｖｉｔｃｈ多项式算子，且以Ｋ泛函为工具给出了此算子在Ｌｏｐ＿［０，１］中的收敛阶。

一种具有Lp范数约束的特征提取算法

针对Lp范数约束的最大化L1范数主成分分析受样本均值影响的特点,提出一种新的优化模型。该模型能避免样本均值对优化模型的影响。一种迭代算法被用来求解该模型并且取得局部最优解。在NYU_UMIST人脸数据库和UCI数据集上的实验表明该方法的识别性能比以前方法的性能改善1%～3%。

基于lp-范数的ECT图像重建算法研究

针对在ECT图像重建过程中,基于lp-范数的非凸压缩感知算法常存在计算量较大以及现有的近端映射算法受一些特定的p值限制而导致成像分辨率较低的问题,利用改进的插值函数替换lp-范数||x||^pp,通过调整参数使得改进的函数无限逼近lp-范数||x||^pp,同时引入阈值表示理论,并在此基础上提出新的自适应阈值迭代算法对新模型进行求解。实验结果表明,改进后的自适应lp-范数重构算法相对于Landwebr算法、迭代重加权最小二乘法具有更强的适应性,更高的图像分辨率,更快的成像速度。

基于压缩传感和自适应Lp范数的ECT图像重建算法研究（英文）

针对传统电容层析成像存在流型辨识方法识别率较低和需要大量数据的问题,提出一种基于压缩感知理论的流型识别方法。首先利用离散余弦DCT基对原始图像灰度信号进行稀疏化处理,再利用随机高斯矩阵进行观测。可以利用少量数据精确重构出原始信号,减少了采样时间;同时在成像算法中为避免L1范数正则化需要大量数据和L0范数优化的NP问题,引入自适应Lp(0<p<1)范数正则化作为惩罚项,可以根据输入数据不同自主选择最优参数,既可以产生一个稀疏的解,又能减少数据冗余。实验仿真数据表明:基于压缩传感和自适应Lp范数算法的图像质量优于正则化和SVD方法,在节省采样时间的基础上提高了图像质量。

ON L^p-MATRICIALLY NORMED SPACES

It is proved that there is only one L^P-matricially normed space of dimension 1 and that quotient spaces of L^P-matricially normed spaces are also L^P-matricially normed spaces. Some properties of L^P-matricially normed spaces are given.

基于交叠组稀疏非凸Lp伪范数高阶全变分的地震随机噪声压制

针对高阶全变分模型在地震资料去噪中存在严重阶梯效应的问题,引入交叠组稀疏去噪技术;为提升对局部细节的保护能力,加入非凸Lp伪范数正则化,形成一种改进的去噪模型。该模型是从传统孤立的数据点向四周延伸,充分挖掘信号的邻域相似性。由于改进模型存在耦合问题,进一步采用交替方向乘子迭代法将其转化为四个子问题,并在求解过程中采用最大最小值算法和加权方向迭代L1算法以提高计算精度和效率。模拟数据和实际资料的应用结果表明,所提方法不仅能有效减弱阶梯效应,压制地震数据中的随机噪声,而且具有保护弱小信号局部细节的能力。