基于L_(1/2)正则项的磁共振图像稀疏重构

磁共振图像可以利用压缩感知从数量非常有限的观测数据集合中重构出,然而为了能够做到这一点,必须要解决定义在大量数据集合上的非光滑函数的最小化这一困难问题.通常L1范数能够产生稀疏解,但它往往与真实稀疏解(L0的解)差距甚大.针对该问题,研究一种基于变量分裂的图像重构模型,引入待重构图像的L1/2范数作为新正则项,采用交替增广拉格朗日乘子法进行求解.为考察方法的稳定性和重构效果,结合不同参数等评价标准与现有的图像重构模型进行比较.实验结果表明,L1/2范数作为正则子的图像重构模型相对于原有模型,图像重构结果稳定性好,可以获得更高的信噪比.

人脸图像识别中非贪婪L1范数的2DPCA最大化鲁棒算法

基于L1范数的二维主成分分析是近年来提出的一种在图像域降维和特征提取的方法。通常,直接求解L1范数最大化问题很困难,因此,一种贪婪的策略被提出来了。然而,这种策略的初始化投影是随意选取的,为了获得更好的投影向量,得到一个最优的局部解,提出了一个非贪婪的L1范数最大化算法,该非贪婪算法具有三大优势:使用L1范数和非贪婪策略对于异常值很稳健;与PCA-L1相比较,更多的空间结构信息得到了保留;相比2DPCA-L1,所有的投影方向可以被优化并且可以获得更好的解决方案。人脸和其他数据集上的实验结果验证了所提出的方法更加有效。

基于l_(1/2)范数正则化的图像重建方法

为了利用l_1范数保持图像边缘信息的优势,并兼顾l_2范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型——l_(1/2)范数正则化方法。相比于经典的l_1范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。

基于l_(1/2)正则化的稀疏表示目标跟踪算法的研究

近年来目标的稀疏表示已经广泛应用到视频跟踪中。文中提出了一种基于局部稀疏表示的鲁棒目标跟踪算法,目标的表示将局部信息考虑在内,并且做出了遮挡处理。为了在新的帧中跟踪到目标,每一个候选目标通过在线构建的过完备字典以及模板解l1/2最小化问题稀疏表示。文中用l1/2规范最小化来代替l0,而不是用l1规范最小化,通过解l1/2最小化问题,可以找到比解l1最小化更稀疏、更精确的解。此外,l1/2比l0更容易求解。目标稀疏表示后,通过在线学习的分类器将目标区分出来。实验结果表明,与现有的一些算法相比,该算法稳定性好,性能更优越。

基于L_(1/2)范数正则化的塑性回声状态网络故障诊断模型

为了提升储备池的动态适应性能,克服回声状态网络(ESN)输出权值求解的病态不适定问题,平衡其拟合与泛化能力,提出了一种基于L_(1/2)范数正则化的塑性回声状态网络故障诊断模型。在储备池构建中引入BCM规则对连接权矩阵进行预训练,并在目标函数中添加L_(1/2)范数惩罚项以提高稀疏化效率,利用一个光滑化的L_(1/2)正则子克服迭代数值振荡问题,并采用半阈值迭代法对模型进行求解。将模型应用于机载电台的故障诊断问题中,仿真结果证明了模型的有效性和优越性。

基于混合深度学习的电动汽车充放电系统通信协议辨识方法研究

电动汽车充放电系统是新能源汽车安全充放电的重要保障。为了解决电动汽车充放电系统的通信协议辨识问题,提出一种基于混合深度学习的电动汽车充放电系统通信协议辨识方法。该方法通过深度学习网络(DLN)提取通信协议数据特征,通过引入l1/2范数提高深度学习网络的泛化能力,实现对电动汽车充放电系统通信协议的高精度辨识。仿真结果表明,混合深度学习网络对电动汽车充放电系统不同协议的辨识总体准确率达到了97.68%。因此,可以得出基于混合深度学习的电动车充放电系统通信协议辨识方法具有一定的有效性。

基于L1/2正则化Logistic回归的上市公司财务危机预警模型

针对财务危机预警模型指标存在信息冗余及Logistic回归模型预测精度有待提高的不足,利用L1/2范数惩罚技术优化Logistic回归模型,构建基于L1/2正则化Logistic回归的上市公司财务危机预警新模型.通过以沪深股市制造业股票交易得到特别处理（Special Treatment, ST）公司和非ST公司为研究对象,对比研究传统Logistic回归和L1正则化Logistic回归模型的预测结果,实证研究表明：通过L1/2正则化的Logistic回归模型不仅可以实现参数估计和变量选择,而且具有更高的预测精度和泛化能力.研究体现了新模型对预警问题的合理性和优越性,为上市公司财务危机预警后续研究提供一定的借鉴.

超宽带滤波器的稀疏贝叶斯正则化逆向神经网络建模

针对射频器件建模中使用直接逆向神经网络精度较低,BP逆向神经网络泛化能力较差的问题,提出一种性能函数为贝叶斯L1/2范数的逆向神经网络建模方法。贝叶斯方法调整网络权系数避免过拟合现象,使模型输出更加平滑;增加L1/2范数扩充输入向量,使网络结构稀疏化且泛化能力更强。应用于超宽带滤波器谐振器逆向建模中,根据陷波频率处插入损耗值,求解对应的长度和宽度。结果表明:该方法与BP逆向建模方法相比,求得的长度、宽度和频率相对误差分别减小81. 4%、99. 8%、48. 9%,网络运行时间减少16. 3%,不存在多解问题,建模效率更高。

Doherty功放的贝叶斯正则化神经网络逆向建模研究

针对直接逆向建模方法精度低、稳定性差等缺点,提出了一种采用规则化函数为L^(1/2)范数的贝叶斯正则化神经网络逆向建模方法,L^(1/2)正则化使得网络结构具有稀疏性,能够缩小网络的规模、加快网络的训练速度,用贝叶斯正则化方法可以使网络的输出更加平滑,提高网络的稳定性和泛化能力。将此方法应用到Doherty功率放大器的设计中,在已知Doherty主功放效率、输出匹配端的S11和S21的情况下,分别仿真得出相对应的输出功率和f,可以简化设计过程。实验结果表明,此逆向模型求得的输出功率、与S11相对的f、与S21相对的f比直接逆向建模方法的均方误差分别减少了8.83%、9.30%和9.00%,运行时间分别减少了99.34%、99.40%和99.23%,解决了设计中的多解问题,可用于设计射频微波器件。

具有双重稀疏机制的在线学习算法

针对大数据背景下数据分类问题,已有的在线学习算法通常引入L_1范数正则化增强预测模型的稀疏性,但单一的正则化约束不能高效的获取稀疏模型.基于此,提出了一种具有双重稀疏机制的在线学习算法(an online learning algorithm with dual sparse mechanisms,DSOL).在DSOL算法中,一方面利用L_(1/2)正则化项约束目标函数以增强预测模型的稀疏性,提高算法的泛化性能.另一方面用改进的梯度截取法对数据特征进行选择,有效稀疏化预测模型.通过L_(1/2)正则化与改进的梯度截取策略的有机融合,有效利用了历史数据信息,提高了算法分类数据的性能.通过与另4种代表性稀疏在线学习算法在9个公开数据集的实验对比表明DSOL算法对数据分类的准确性更高.

基于联合正则化的稀疏磁共振图像重构

基于压缩感知的MRI图像重构是利用图像稀疏性,从数量非常有限的观测数据集合中重构出图像,通常L1范数能够产生稀疏解,但它往往与真实稀疏解(L0的解)差距甚大,重构效果不理想,而且在一些图像重构的应用中,单一正则项的作用有限并不能很好地完成复原任务。针对此问题,引入待重构图像的L1/2范数作为新正则项,与TV范数构成联合正则项,采用交替增广拉格朗日乘子法进行求解。为考察方法的稳定性和重构效果,结合不同参数等评价标准与现有的图像重构模型进行比较。实验结果表明,联合正则项的图像重构模型相对于原有模型,图像重构结果稳定性好,可以获得更高的信噪比。

基于非局部先验的单幅图像去雾算法

现有单幅图像去雾算法大多基于局部先验,去雾结果存在块效应。在处理浓雾区域时,如果没有特殊处理,会导致图像中的一些伪影被增大,比如在原始的有雾图像中几乎不可见的噪声、色彩重叠等,在去雾后的图像中被增强,进而影响图像质量。针对以上存在的问题,提出了一种改进算法。首先采用非局部先验,估算初始的透射率,然后采用正则化的方法优化透射率,并且将原始图像和去雾后图像的梯度差L1/2范数作为正则化项,达到抑制噪声干扰的目的。结果表明,该算法能够很好地恢复出图像的细节信息和色彩;与局部先验方法相比,具有更好的稳健性。