基于正则化与遗忘因子的极限学习机及其在故障预测中的应用

为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵、算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法。RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点。在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力。某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度。

基于非凸L_(1-2)正则化的生物发光断层成像仿真研究

生物发光断层成像(BLT)是一种低成本、高灵敏、具有巨大潜力的光学分子成像模态,高效稳定的重建算法是将其推向实用的关键。为克服BLT重建的高不适定性,提出了基于非凸L_(1-2)正则化的重建方法,采用凸差分算法来解决非凸泛函最小化问题,在每一步迭代中采用带自适应惩罚项的交替方向乘子法高效求解。为评估该方法的有效性和稳健性,设计了单光源和双光源数字鼠仿体实验,并与3个典型的重建算法进行对比,仿真实验结果表明,所提L_(1-2)正则化方法在不同光源设置下都得到了最准确的光源定位。