基于Hinge损失函数的垂向全变差约束全波形反演

全波形反演可以为叠前深度偏移成像提供更高精度的速度模型,但该方法具有较强的非线性,对初始速度模型的依赖性较强,尤其是在实际应用中,地质条件复杂多变,速度变化不连续,增加了反演非线性程度,常常使反演陷入局部极小值,影响反演的精度.全变差约束在图像去噪领域应用广泛,属于非光滑约束,在去噪过程中能有效的保留图像的不连续界面和边缘信息.本文提出基于Hinge损失函数的垂向全变差约束全波形反演方法,在全变差约束的基础上,利用Hinge损失函数控制模型的更新方向,并使用原-对偶混合梯度算法进行求解,给出这一优化问题的迭代格式,有效提高了对地下不连续界面的重构精度,同时也降低反演对初始速度模型的依赖程度.数值算例证明:与常规全波形反演方法相比,基于全变差约束的全波形反演方法可以有效的重构速度模型中的不连续界面,尤其对高速体边缘的重构效果更明显,但该方法对初始速度模型的依赖性仍然较强;基于Hinge损失函数的垂向全变差约束全波形反演方法降低了对初始速度模型的依赖程度,可以从一个较差的初始模型通过循环迭代的方式最终得到同样精确的速度模型,较好的重构了高速体边缘和不连续界面.

基于Rescaled Hinge损失函数的多子支持向量机

针对多分类学习模型性能会受异常值影响的问题,提出基于Rescaled Hinge损失函数的多子支持向量机(RHMBSVM)。首先,该方法通过引入有界、非凸的Rescaled Hinge损失函数来构建相应的优化问题;然后,利用共轭函数理论将优化问题作等价变换;最后,使用变量交替策略形成一个迭代算法来求解非凸优化问题,该方法在求解的过程中可自动调节每个样本点的惩罚权重,从而削弱了异常值对K个超平面的影响,增强了鲁棒性。使用5折交叉验证的方法进行数值实验,实验结果表明,在数据集无异常值的情况下,该方法的正确率比多子支持向量机(MBSVM)提升了1.11个百分点,比基于Rescaled Hinge损失函数的鲁棒支持向量机(RSVM-RHHQ)提升了0.74个百分点;在数据集有异常值的情况下,该方法的正确率比MBSVM提升了2.10个百分点,比RSVM-RHHQ提升了1.47个百分点。实验结果证明了所提方法在解决有异常值的多分类问题上的鲁棒性。

直接优化AUC进行网络链接预测

快速扩展的互联网形成了具有高维、稀疏和冗余特性的复杂网络.因此需要有效的技术从这些复杂网络数据中提取出最为重要的信息进行链接预测,以便为用户服务.本文提出一种基于AUC(Area under Curve)优化的链接预测算法.在该算法中,将AUC作为优化的目标函数,将链接预测问题转化为二分分类问题.将顶点之间是否存在链接作为它所在的类的标号.通过优化AUC来进行二分分类,使用铰链函数按随机次梯度下降算法迭代更新权重矩阵.最后在一些来自不同领域的真实网络上对本算法进行了测试.实验结果表明,本算法与其他算法的结果相比可以实现更高质量的预测.

基于改进支持向量机的药品包装纸盒快速鉴别研究

目的为实现在司法鉴定中对药品包装纸盒类检材的简单快速无损检验。方法利用X射线荧光光谱法,以Rh做阳极靶,在电压为50 kV、电流为30μA、功率为1.5 kW的条件下,对40组不同产地、不同厂家的药品包装纸盒样本进行检验。依据药品包装纸盒的化学元素组成对样本设置标签,建立蒙特卡洛算法(Monte Carlo Algorithm,MC)优化下的支持向量机(Support Vector Machine,SVM)分类模型,对惩罚因子进行仿真寻优,同时结合分治算法实现折半查找,使迭代过程具有自我学习能力,最终基于K-fold交叉验证,得到兼具拟合性和衍生性的惩罚因子组。结果计算机模拟结果表明,当3组支持向量机惩罚因子设置为933、280、732时,MC-SVM模型可实现对100%的训练集的拟合以及90%的预测集的分类,Hinge Loss函数最低损失值为0.0938。结论此方法可为药品包装纸盒类物证的检验以及支持向量机的参数优化提供新思路。