(1,2-μ_2-L1)(1,2-μ_2-L2)十羰基合三锇振动光谱的理论计算[L1,L2=H,Cl,Br,I]

用密度泛函理论和从头计算(abinitio)方法,在B3LYP CEP 4G ,B3LYP LanL2DZ和RHF CEP 4G ,RHF LanL2DZ水平上,全优化计算了(1,2 μ2 H) (1,2 μ2 L)Os3(CO) 1 0 (L :Cl,Br,I)的分子几何构型和电子结构;在RHF CEP 4G水平上,全优化计算了(1,2 μ2 L) 2 Os3(CO) 1 0 (L :H ,Cl,Br,I)的分子几何构型和电子结构。计算结果表明,在这些体系中,电子由Os(CO) 3向Os(CO) 4转移。用RHF CEP 4G对这七个簇合物进行了简正振动频率分析,在计算得到振动频率及吸收强度的基础上,模拟了稳定平衡结构的红外光谱图,并对计算结果进行了比较和讨论。

基于l_1-l_2范数的块稀疏信号重构

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元是成块出现的.受YIN Peng-hang,LOU Yi-fei,HE Qi等提出的l_1-2范数最小化方法的启发,将基于l_1-l_2范数的稀疏重构算法推广到块稀疏模型,证明了块稀疏模型下l_1-l_2范数的相关性质,建立了基于l_1-l_2范数的块稀疏信号精确重构的充分条件,并通过DCA(difference of convex functions algorithm)和ADMM(alternating direction method of multipliers)给出了求解块稀疏模型下l_1-l_2范数的迭代方法.数值实验表明,基于l_1-l_2范数的块稀疏重构算法比其他块稀疏重构算法具有更高的重构成功率.

基于l1-l2范数极小化的稀疏信号重建条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号。文章建立了基于极小化l1-l2范数的稀疏信号精确重构的充分条件,并给出了有噪声情形下的误差分析结果。

自适应的L1-L2范数正则化图像去噪方法

提出了一种自适应的L1-L2范数正则化图像去噪方法。相比传统的L1范数正则化与L2范数正则化,新方法有效消除了阶梯效应,同时较好的保持了图像边缘信息。为了提高计算效率,将Split Bregman算法框架应用到提出的模型中,有效的提升了收敛速率并减少了计算时间。实验结果与分析验证了L1-L2范数正则化模型在图像去噪效果与计算效率的有效性。

硬膜外T12-L1或L1-L2置管PCEA在妇科腹腔镜手术后镇痛的比较

目的:比较行硬膜外T12-L1置管和硬膜外L1-L2置管用于妇科腹腔镜手术患者术后镇痛的效果。方法:选取于2016年6月-2017年4月在宜宾市第二人民医院麻醉科接受妇科腹腔镜手术的患者164例,ASAI或Ⅱ级,随机分为T组(n = 82)和L组(n = 82),术前分别在T12-L1 (T组)和L1-L2 (L组)行硬膜外穿刺置管,镇痛泵的配置均为100 ml内50 ug舒芬太尼与0.894%的甲磺酸罗哌卡因22 ml,两组均行PCEA。观察并记录两组患者首次按压镇痛泵的时间,术后首次下床活动时间,术后4、8、12、24和48 h患者的疼痛VAS评分,BCS舒适度评分,术后48 h内舒芬太尼及罗哌卡因的使用情况;记录术后恶心呕吐、尿潴留、双下肢麻木、眩晕、皮肤瘙痒等不良反应的发生情况。结果:两组患者均未观察到硬膜外穿刺相关并发症。T组患者术后首次按压镇痛泵的时间明显长于L组(P <0.05),首次下床活动时间明显早于L组(P <0.05);与L组比较,T组术后8 h、12 h、24 h的VAS评分降低,BCS评分升高(P <0.05);术后0~12 h、12~24 h、24~36 h T组使用舒芬太尼和罗哌卡因剂量明显小于L组(P <0.05)。T组术后恶心呕吐、眩晕,皮肤瘙痒等不良反应的发生情况的发生率与L组无明显差异,尿潴留、双下肢麻木发生率明显低于L组。结论行硬膜外T12-L1置管较L1-L2置管PCEA能够更加有效地为妇科腔镜手术患者提供理想的术后镇痛效果,并且可以减少术后阿片类及局部麻醉药物用量及不良反应的发生,有利于促进患者康复。

基于L_1/L_2范数的表面多次波自适应相减方法

依据L1和L2范数自适应相减方法的特性,提出了联合L1/L2范数的表面多次波自适应相减方法,并引入GPU并行加速,在充分发挥两种方法优势的同时,有效缓解了两种自适应相减方法限制性条件引发的问题,在较短的时间内获得收敛的维纳滤波器,并且较好地拟合多次波模型和原始记录中的多次波。文中方法无需L2范数方法的假设条件,相比于L1范数方法提高了计算效率。理论模型和实际海洋地震数据测试表明,基于L1/L2范数的GPU并行加速的表面多次波自适应相减方法可有效压制地震数据中的表面多次波。

L1+L2正则化逻辑斯蒂模型分类算法

提出一种L1+L2范数正则化逻辑斯蒂模型分类算法。该算法引入L2范数正则化,解决L1正则化逻辑斯蒂算法迭代过程奇异问题,通过引入样本向量的扩展和新的权值向量完成L1范数非平滑问题,最终使用共轭梯度方法求解经过转化的最优化问题。在各种实际数据集上的实验结果表明,该算法优于L2范数、L1范数和Lp范数正则化逻辑斯蒂模型,具有较好的特征选择和分类性能。

自适应加权混合L1/L2范数匹配相减多次波压制方法

基于波动方程的自由表面多次波和层间多次波压制时,自适应匹配相减方法的选取是关键的环节。L2范数自适应匹配相减方法适用于多次波强而有效波弱的情况,L1范数自适应匹配相减方法则适用于多次波弱而有效波强的情况,L2范数自适应匹配相减方法的运算速度明显较L1范数自适应匹配相减方法更快。自适应加权混合L1/L2范数匹配相减方法需要构建联合L1范数和L2范数的目标函数,再根据地震数据中有效波与多次波的能量比自适应地调整目标函数中L1范数和L2范数所占权值。该方法充分利用了L1范数和L2范数压制多次波时对地震数据不同的要求,既不需要L2范数自适应匹配相减方法的有效信号与噪声正交的假设,又克服了L1范数自适应匹配相减方法运算效率较低的缺点,在保证压制效果的同时提高了计算效率。多层水平层状模型及SEG/EAGE Pluto模型的测试结果表明,相较于常规方法,该方法明显提升了多次波的压制效果。

基于L_(2,1)范数稀疏特征选择和超法向量的深度图像序列行为识别

结合L_(2,1)范数稀疏特征选择和超法向量提出了一种新的深度图像序列行为识别方法。首先从深度图像序列中提取超法向量特征;然后利用L_(2,1)范数稀疏特征选择方法从超法向量特征中选择出最具判别性的稀疏特征子集作为特征表示;最后利用线性分类器Liblinear进行分类。在MSR Action3D数据库上的实验结果表明,所提方法使用2%的超法向量特征获得的识别率为94.55%,并且具有比其他方法更高的识别精度。

基于迭代加权L2/L1范数块稀疏信号重构的ISAR成像算法

为实现快速、高分辨率逆合成孔径雷达(ISAR)成像,利用目标的内在块稀疏结构信息,提出一种迭代加权L2/L1范数块稀疏重构ISAR成像算法。构建ISAR稀疏成像模型,将ISAR成像问题转化为稀疏信号重构问题后,在每次迭代中求解用于下次迭代的权值向量解,从而实现高分辨率ISAR成像。实验结果表明,相比BP、OMP、SBL算法,该算法可以改善成像质量,提高重构效率。

基于L_1和L_2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L1和L2混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L1和L2混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 d B^5.2 d B。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。

自适应加权编码L_(1/2)正则化的图像重建算法

针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 d B,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。

基于混合L1/L2范数的多次波自适应减方法

基于自由表面相关多次波压制(SRME)方法的重要步骤之一是将匹配后的多次波从原始数据中减去。L2范数多次波自适应减方法适用于有效波能量较小的情况,而L1范数多次波自适应减方法可适应有效波能量较强的情况。为获取更理想的自适应减方法,通过加权组合的方式建立使L2范数和L1范数多次波自适应减方法相结合的数学模型,并提出权系数的确定方法,然后结合模型数据和实际数据进行单道多次波压制处理,将处理结果与单独使用L2范数和L1范数自适应减方法所得结果进行对比,结果显示使两种范数加权组合的方法不仅能相对更好地压制多次波的能量,有效波的能量也保持较好。

基于L1-L1范数的电学层析成像静态成像算法

电学层析成像中静态成像算法的目标函数为电压测量值与电压计算值之间残差的范数与罚函数两项之和。目前,针对残差项的L1范数成像算法还较少,本文使用原始-对偶内点法,实现了目标函数中残差项和罚函数项均使用L1范数的重建算法,进行图像重建。研究表明使用基于L1-L1范数算法进行图像重建可获得较好的重建图像质量。

基于L_1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法。采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度。

基于L1范数多项式拟合的多次波消除方法

如何在不损伤一次波的情况下压制多次波是地震信号处理的难点之一。在CDP道集中,一次波和多次波的运动学特征可以由叠加速度和零炮检距时间确定。利用AVO特性可以表示一次波(多次波)的振幅随炮检距的变化。假设在速度谱上,多次波和一次波一般是分开的,从而可以进行多次波和一次波的识别。本文提出一种沿着多次波的双曲线轨迹,利用基于L1范数的多项式拟合技术估计多次波的方法,可以有效地消除一次波和随机噪声对预测多次波的影响。人工合成和实际地震数据处理结果表明,与基于L2范数多项式拟合技术的方法相比,本文算法在有效压制多次波的同时,能更好地保护一次波。

基于L1-范数距离的最小二乘对支持向量机

最小二乘对支持向量机(LSTSVM)是一种有效的分类技术。然而,该方法需计算点到平面的平方L2-范数距离,从而易受野值或噪声的影响。为了缓解此问题,提出了一种有效的鲁棒LSTSVM方法,即基于L1-范数距离的LSTSVM(LSTSVM_(L1D))。该方法由于使用L1范数作为距离度量,因此不易受到野值或噪声数据的影响。此外,设计了一种有效的迭代算法,旨在求解目标问题,并从理论上证明了其收敛性。在人工数据集和UCI数据集上验证了LSTSVM_(L1D)的有效性。

一种结合快速L_1范数最小化算法的柱面匀场线圈目标场设计方法

目标场方法由Turner于1986年提出,到目前为止该方法已成为核磁共振成像系统中匀场、梯度线圈设计的一种主流方法。各种改进的目标场方法纷纷涌现。为解决线圈设计中的有限尺寸问题,Forbes和Crozier提出了一种新方法,该方法预先通过三角函数来约束线圈面上的电流密度分布,为克服方程求解过程中的病态问题,对电流密度表达式中的待定系数采用最小均方差(least square,LS)和L2范数相结合的方法来进行估计,成功得到了有限长匀场线圈的设计结果。该文采用最小均方差和L1范数结合的方法来对面电流密度分解表达式中的未知系数进行估计,并将该方法应用于核磁共振成像(magnetic resonance imaging,MRI)系统的匀场线圈设计中。系统主磁体长度为3 m,室温孔直径为1.6 m,目标区域(region of interest,ROI)直径为0.4 m。算例采用Matlab仿真平台,结果表明该文提出的LS-L1目标场方法相比于传统的LS-L2目标场方法磁场偏差更小、效果更好。

基于L_1范数的多次波自适应减方法及应用分析

多次波问题在地震勘探中普遍存在。自由表面相关多次波压制(SRME)方法是目前多次波压制方法的主流,使用该方法的重要步骤之一是将由反馈迭代法预测得到的地震多次波经匹配后从原始数据中减去。基于L2范数的多次波自适应减方法有其适用范围,仅在某些情况下才有好的处理结果。这里基于迭代重加权最小二乘法(IRLS算法)的混合L1/L2范数来近似L1范数解,同时结合模型数据和实际数据进行多次波压制处理,并与基于L2范数的自适应减方法进行对比分析。结果显示,本方法不仅有效压制了多次波,而且还相对更好地保持了有效波的能量,这表明本方法可以在不同情况下实现更为普遍的多次波压制。

基于戴帽L1范数的双支持向量机

针对双支持向量机模型易受异常点影响导致泛化性能较低的问题,提出了一种基于戴帽L1范数的双支持向量机模型.采用带有上限值的戴帽L1范数代替L2范数来构造最优化问题,一定程度上削弱了离群点、噪音点对于两个超平面构造的影响,增强了模型的鲁棒性.另外,针对构造的新的双支持向量机模型最优化问题提出了一个简单有效的迭代算法并且在理论上证明了该算法的收敛性.在无噪以及有噪UCI数据集上的实验结果表明,与其它支持向量机模型相比,该模型有着更强的鲁棒性以及稳定性.