投影梯度算法求解非线性反问题的αl_(1)-βl_(2)正则化

研究非线性不适定算子方程A(x)=y的αl_(1)-βl_(2)稀疏正则化的求解问题.由于现有的ST-(αl_(1)-βl_(2))算法可以任意慢,将基于广义条件梯度方法的投影梯度算法推广至求解非线性反问题的非凸αl_(1)-βl_(2)稀疏正则化,并证明其稳定性.此外,通过Morozov偏差原则确定l_(1)-球约束半径R.

基于L_(1-2)正则化的地震波阻抗“块”反演

波阻抗反演技术已经相当成熟,但仍然存在反问题的不适定性、反演的分辨率低以及对地层边界刻画不清晰等问题。为此,提出基于L_(1-2)正则化的地震波阻抗“块”反演方法。在前人的基础上,将L_(1-2)正则化引入基于模型的波阻抗反演,通过借鉴全变分正则化的思想,利用叠后地震数据直接获得波阻抗反演结果。首先,推导线性化的波阻抗正演近似公式并分析精度;然后,基于贝叶斯理论,引入L_(1-2)正则化构建波阻抗反演的目标函数,利用迭代重加权最小二乘算法求解目标函数,获得波阻抗反演结果。由于波阻抗反演为单道反演算法,反演多道数据时道与道之间会产生空间不连续现象,因此对反演结果执行f-x域空间预测滤波改善由噪声和单道反演算法带来的空间不连续性。相关系数的定量对比证明了基于L_(1-2)范数的反演结果优于基于L1范数和L2范数。合成数据和实际资料反演验证了所提方法的有效性和可行性。

PPLS与稀疏鉴别流形正则化的双模型协同宽度神经网络

宽度神经网络(broad neural networks,BNN)被认为是继深度神经网络之后的一种主流机器学习算法,然而BNN没有考虑数据不确定性及局部几何结构信息。为此,提出概率偏最小二乘(probabilistic partial least square,PPLS)与稀疏鉴别流形正则化的双模型协同宽度神经网络建模方法。该方法首先使用PPLS对BNN输入特征以及增强特征构成的高维数据提取低维隐藏变量,消除数据不确定信息以及冗余特征;基于稀疏表示方法自适应构建样本局部与非局部近邻矩阵,并结合PPLS模型投影矩阵,提出一种新颖的融合模型信息迁移、鉴别流形正则化以及l_(2,p)-范数约束的BNN建模方法,有效增强BNN模型的鲁棒性、建模精度,同时消除数据的随机不确定性;最后给出迭代优化求解方法获取模型最优参数。在不同规模数据集、不同光照和角度图像数据集对所提算法进行仿真验证,结果表明该算法对不同规模数据集均能取得满意的效果;对图像数据集仿真结果表明其具有很强的鲁棒性和泛化性能。

求解DC问题的一类随机优化算法

本文研究的是一类具有有限和形式的DC问题,其目标函数为具有有限和形式的光滑凸函数与连续凸函数之和再减去适当的闭凸函数的形式。传统的邻近DC算法(pDCA)在处理此类问题时,由于每一迭代步都需要对目标函数光滑部分的全梯度进行计算,从而导致计算成本较为昂贵,因此本文将随机梯度SARAH引入到pDCA中,提出了一种基于随机梯度SARAH的随机邻近DC算法(pDCA-SARAH),并给出了该算法的具体迭代格式,以降低计算成本。在非凸情形下,本文针对pDCA-SARAH算法给出了收敛性及收敛率分析。具体的,本文给出了目标函数在期望意义下的下降量分析以及次线性收敛率的结果。最后,通过将pDCA-SARAH算法用于求解l1-2正则化最小二乘问题,并与pDCA进行数值比较,展示了本文所提算法的高效性。