随机梯度下降优化的量子多分类支持向量机

为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。

基于MRF模型的多模态图像配准技术研究

在医学图像处理领域中,医学图像配准技术极其重要,其价值体现在临床医学中对图像处理技术的应用。在解决多模态图像配准的相关问题时,基于互信息方法的应用最广泛,但在某些特定的应用中该方法受到的约束仍然较多。针对这一情况,提出一种新的医学图像配准算法,模态变换的引入作为此研究算法的基础,之后新的马尔可夫能量函数则根据两幅通过模态变换后的图像矩阵以及原配准图像得以构建。同时,为了优化能量函数引入了一种改进的梯度下降算法,从而得到配准结果。最后,运用不同的医学图像进行配准实验来验证该算法,通过实验证明该配准算法具有良好的有效性及抗噪性能。

基于组合类别空间的随机游走推荐算法

传统的类别驱动方法只考虑类别间的关联或是将其组织成扁平或层次结构,而项目和类别对应关系复杂,其他信息容易被忽略。针对这个问题提出基于组合类别空间的随机游走推荐算法,更好地组织了项目类别信息、缓解了数据稀疏。首先,建立一个用哈斯图表示的项目组合类别空间,将项目和类别复杂的一对多关系映射成一对一的简单关系,并表示用户上下层次、同层次及跨层次的项目类别间的跳转;接着,定义组合类别空间的语义关系及链接、偏好两种语义距离,更好地定性、定量描述用户动态偏好的变化;然后,结合组合类别空间上用户浏览图的语义关系、语义距离、用户行为跳转、跳转次数、时序、评分等各种信息,利用随机游走建立用户个性化类别偏好模型;最后,根据用户个性化偏好完成基于用户的协同过滤项目推荐。在MovieLens数据集上的实验显示,与基于用户的协同过滤(UCF)、基于类别关联的推荐模型(UBGC和GENC)相比,所提算法推荐的F1-score提高了6～9个百分点,平均绝对误差(MAE)减小了20%～30%;与基于类别层次潜在因子模型(CHLF)相比,所提算法推荐的F1-score提高了10%。实验结果表明,所提算法在排序推荐上优于传统基于类别的推荐算法。

基于梯度下降优化的LSTM对空气质量预测研究

文章以2018年~2019年的太原市空气污染物监测数据为基础,建立基于自适应调节学习率的随机梯度下降算法(Adagrad、AdaDelta、Adam)优化的LSTM循环神经网络预测模型,对太原市的空气质量指数(AQI)进行仿真预测,通过对比可得:基于Adam优化的LSTM循环神经网络不仅具备更高的预测精度,而且收敛速度也较快,为城市大气污染治理工作提供了科学合理的理论研究,具有更远的发展前景.

基于GPU的分布式全息孔径数字成像技术研究

分布式全息孔径数字成像技术是利用数字全息记录各子孔径的复振幅信息,通过孔径间相位拼接实现综合成像的一种主动成像技术。在远距离成像中,大气湍流引入的子孔径内高阶相位误差和子孔径间低阶相位误差,以及孔径间的位置失配误差,都会影响成像质量。随机并行梯度下降算法(SPGD)是一种无波前探测优化控制算法,具有可以并行、快速收敛、高效可靠等优点,可用于校正系统孔径内高阶和孔径间低价相位误差。但是SPGD算法需要多次迭代,运算量巨大,难以满足实时性要求。文章基于GPU平台,对高、低阶相位误差校正进行了并行加速处理,运算速度较CPU平台分别提升26.42倍和36.47倍。此外,采用AKZAE算法校正各子孔径间的位置失配误差,完成了各子孔径复振幅的拼接,最终实现了分布式四孔径的综合成像。

基于注意力机制的危房等级预测方法研究

危房等级评估是城市既有建筑管理的重要手段,等级评估的准确性直接影响管理部门的防护措施。错误的等级评估有可能造成生命与财产的重大损失。现有的预测方法大都采用循环神经网络(Recurrent Neural Network,RNN)和支持向量机(Support Vector Machines, SVM)等模型。由于建筑沉降与局部结构位移的诱因复杂,大大增加了危房评估的难度,致使现有的预测方法精度不高。针对这种出现的问题,提出一种结合梯度下降算法(Adagrad, AD)和注意力机制的长短期记忆神经网络(Adagrad and Attention Based Long Short-Term Memory, AD-AB-LSTM)的危房评估方法研究,通过对危房沉降与水平位移进行了有效预测并对之进行等级预测(直接与间接),此方法对危房沉降位移进行建模并有效预测。依托工程实例数据,无锡东北塘社区危房的水平与垂直位移监测数据进行模型训练与评估,对数据进行了量化分析与研究,并将此方法与长短期记忆神经网络(Long Short Term Memory, LSTM)、循环神经网络实验结果进行比较。实验结果表明:此方法较长短期记忆神经网络方法和循环神经网络方法以及支持向量机效果显著提高15.29%和52.73%和27.59%。

多点随机搜索算法估计反应动力学参数

提出一种多点随机搜索算法,一方面它汲取随机搜索算法的优点以克服陷入局部最优点;另一方面它通过判断搜索过程目标函数变化趋势,从而能在响应曲面的下降方向上前进,加快寻优进程。与遗传算法相比较,多点随机搜索算法能以更快的速度找到全局最优解;与梯度下降算法相比较,它能以更高的概率找到全局最优解。本文将多点随机搜索算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得动力学模型对实验数据拟合的相对误差绝对值之和比文献报道降低了14.1%。

基于梯度下降法的二帧相移提取算法

二帧相移提取算法具有所需条纹图数量少、处理速度快的特点,但由于二帧相移技术存在病态性问题,使算法的设计充满了挑战,鉴于此,提出一种二帧随机时域相移条纹图相移提取算法。该算法先通过高通滤波去除条纹图的背景项,再结合振幅方均根的分布规律,利用梯度下降法搜索振幅方均根的最小值,进而提取引入的相移,最后利用二步相移算法获得测量相位。仿真与实验结果表明:与其他经典算法相比,所提算法具有恢复相位误差小,对噪声不敏感等特点,且简单灵活,易于应用。