基于稀疏正则化的加权叠加集成多标签分类

为了充分挖掘成对标签的相关性以及分类器权重与分类器选择之间的关系,提出一种基于稀疏正则化的加权叠加集成多标签分类方法。提出一个稀疏正则化的加权叠加集成模型,以便于多标签分类器的选择和集成成员的构建。利用分类器权值和标签相关性来提高分类性能。进一步提出基于加速近端梯度和块坐标下降技术的优化算法来有效地获得最优解。在多个数据集上的实验结果表明,该方法能够有效实现较高精度的多标签分类。

A2β-酪蛋白牛奶和普通牛奶的体外消化特性和抗氧化能力评价

[目的]研究体外模拟胃肠消化对A2β-酪蛋白牛奶和普通牛奶的分子量分布及抗氧化能力的影响。[方法]以巴氏杀菌A2β-酪蛋白牛奶、超高温灭菌A2β-酪蛋白牛奶、巴氏杀菌普通牛奶、超高温灭菌牛奶为原料,通过INFOGEST 2.0对牛奶进行体外模拟胃肠消化,采用SDS-PAGE、高效液相色谱仪对体外模拟胃肠消化前后的牛奶样品进行分子量分析,并对体外模拟胃肠消化后各样品的抗氧化能力进行测定。[结果]在体外模拟胃肠消化后,4种牛奶的分子量主要分布于<1000 Da组分,A2β-酪蛋白牛奶小于500 Da组分的比例显著低于普通牛奶。超高温灭菌普通牛奶、超高温灭菌A2β-酪蛋白牛奶表现出较强的铁离子还原能力和1,1-二苯基-2-三硝基苯肼(DPPH)自由基清除能力。[结论]本研究为各类牛奶产品的加工和功能特性提供基础数据。

基于自适应加权非凸正则化和全变分的稀疏SAR成像

针对传统压缩感知(Compressive Sensing, CS)重构算法成像精度低及抗噪性能差等问题,提出了一种基于自适应加权极小极大凹罚函数和全变分的稀疏合成孔径雷达(Synthetic Aperture Imaging Radar, SAR)成像重建方法。首先,将加权思想同非凸函数簇中的极小极大凹罚函数结合,以进一步促进解的稀疏性;然后,与全变分判罚函数线性组合构成复合正则化器,以进一步提高抗噪性能;最后,采用交替方向乘子法求解该成像模型,并在求解过程中使用方位-距离解耦算子替换测量矩阵及其厄米特转置以减少存储空间。仿真与实测数据处理结果表明,所提方法相比于其他算法有更好的聚焦性能和重建精度。

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题,提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声.子空间表示利用光谱频带之间的相关性,选取合适的正交矩阵,将高光谱图像投影到低维子空间中,使提出的算法具有较低的复杂度,简化去噪过程的同时去除图像中的部分噪声.去噪过程基于从简化图像中提取的低秩张量进行,引入加权低秩张量正则化项表征简化图像子空间的先验信息,基于Tucker分解中核范数的物理意义构建合理的加权机制,保留高光谱图像的内在结构相关性.并且设计了一种基于迭代最小化的方法,用于求解提出的非凸去噪模型.在模拟和真实数据集上的实验结果表明,该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.

基于自适应正则化的无偏场景图生成方法

场景图生成旨在给定一张图片,通过目标检测模块得到实体和实体间关系的视觉三元组形式,即主语、关系和宾语,构建语义结构化表示。场景图可应用于图像检索和视觉问答等下游任务。然而,由于数据集中的实体间关系呈长尾分布,因此现有模型在预测关系时更偏向于粗粒度的头部关系。这样的场景图无法对下游任务起到辅助性作用。以往工作普遍采用再平衡策略,如重采样和重加权的方法,来解决长尾问题。但模型反复学习尾部关系样本,易出现过拟合现象。为了解决上述问题,文中提出了一种自适应正则化无偏场景图生成方法。具体来说,该方法通过设计一个基于先验关系频率的正则项,自适应地调整模型全连接分类器权重,从而实现对模型的平衡预测。所提方法在场景图VG(Visual Genome)数据集上进行了实验,实验结果表明,该方法不仅能防止模型过拟合,也能缓解关系长尾分布问题对场景图生成的负面影响,且最先进的场景图生成方法在结合所提方法后能更有效地改善无偏场景图生成的性能。

Clifford分析中一类具有加权k-正则核的奇异积分算子的性质

首先定义了Clifford分析中一类具有加权k-正则核的奇异积分算子,然后讨论了这个算子的一致有界性,给出了几个重要的不等式,并用这些不等式证明了这个算子的H?lder连续性,最后证明了这个算子的γ次可积性.这些结论为研究相关偏微分方程的边值问题奠定了基础.

稀疏相位恢复的加权L_(1)-正则Huber回归方法

相位恢复是指从傅里叶变换或线性变换的幅值中恢复信号,广泛应用于物理科学、机器学习和工程等领域.由于相位信息的丢失导致该问题是病态的,而恢复原始信号一般需要信号的先验知识.本文已知信号稀疏性,提出了一种将Huber损失函数与加权L_(1)正则项相结合的相位恢复方法.该方法运用Majorization-Minimization(MM)优化技术对目标函数进行优化,将原始非凸相位恢复问题转化为容易求解的替代优化问题,接着利用软阈值算子求解给出不动点方程,构造算法框架并进行收敛性分析.数值实验结果表明了加权L_(1)-Huber方法的有效性和稳健性.

基于自适应散射系数的非均匀图像去雾

针对传统方法去除非均匀雾时出现的颜色失真或过深、去雾残留等问题,提出了一种基于自适应散射系数的非均匀图像去雾方法。首先,利用3种雾浓度特征表征雾的非均匀分布,创新性地建立大气散射系数与雾浓度之间的正相关函数,实现动态识别不同像素点的雾浓度,根据每一像素点雾浓度的不同自适应分配不同的大气散射系数值,得到更准确的透射率。其次,利用基于Robinson高阶算子的上下文正则化约束透射率,避免去雾后的图像出现光晕伪影,最大限度保留图像纹理和细节信息。实验结果表明,在真实雾图和非均匀雾图上,所提方法在视觉效果和客观指标方面均有较好的结果。

加权全变分正则化与ADMM求解的无监督地震数据随机噪声压制方法

噪声压制是地震数据处理中的一个至关重要的环节。近年来,随着深度学习的蓬勃发展,其在地震数据中的应用取得显著成效。在实际应用中,收集大量带标签的地震数据(无噪数据)是困难的,为此,基于无监督的深度图像先验(DIP)框架压制二维地震数据随机噪声。首先,探索跳跃连接对网络去噪性能的影响,确定网络架构;其次,在损失函数中加入加权全变分(WTV)正则项,与传统的全变分(TV)正则项所不同的是,WTV正则项的权重系数不再是固定不变的超参数,而是与数据空间结构有关的可学习参数;最后,通过交替方向乘子法(ADMM)求解该优化问题。合成和实际数据实验表明,结合WTV正则项与ADMM的DIP方法可以在压制地震数据随机噪声的同时减少有效信号损失,且相较于DIP方法去噪稳定性更好,相邻迭代拟合信号峰值信噪比波动小,较易制定早停准则,更实用。

贵州省某三甲医院低出生体重儿发生的危险因素分析

目的探究贵州省某三甲医院低出生体重儿发生的危险因素。方法回顾性分析遵义医科大学附属医院产科病区2020年1月至12月收治的4200例孕产妇的临床资料,对低出生体重儿发生的危险因素进行分析。结果单因素分析显示,低出生体重和非低出生体重的孕妇在年龄、产次、妊娠高血压、甲状腺功能异常、精神疾病和未定期孕检方面比较,差异有统计学意义(P<0.05)。多因素logistic回归分析结果显示,妊娠高血压、精神疾病和未定期孕检是低出生体重儿发生的独立危险因素(P<0.05)。结论妊娠高血压、未定期产检和精神疾病是发生低出生体重的独立危险因素。孕期预防和有效管理妊娠高血压、定期产检和控制精神疾病是降低低出生体重儿发生率的重要措施。

自动加权多图正则化L_(p)光滑非负矩阵分解算法

针对多图正则化非负矩阵分解忽略了因子矩阵的光滑性以及图正则项参数选取困难的问题,建立了自动加权多图正则化L_(p)光滑非负矩阵分解(AMGSNMF)模型。该模型根据数据之间的几何结构自动地选取图正则项权重,且通过增加因子矩阵的光滑约束提升解的准确性。使用乘性更新的方法得到所建模型的算法——自动加权多图正则化L_(p)光滑非负矩阵分解算法(AMGSNMF)。将AMGSNMF算法应用于数据聚类,在数据集COIL20和ORL上的实验表明,AMGSNMF算法比四类经典的非负矩阵分解算法聚类精确度提升了0.4%~11.44%,归一化互信息提升了0.53%~3.86%。

加权MPFI方法及其在三维连片处理中的应用

在对采集参数差异较大的多块三维区块开展连片处理时,传统的基于MPFI,ALFT,Low-Rank及MWNI等理论的规则化方法要么无法有效克服空间假频,要么无法满足其线性假设条件,不能真正实现保真规则化处理。针对这一问题,在传统MPFI算法的基础上,将不含假频的低频信息谱作为先验信息进行加权,实现了加权MPFI数据插值,并建立了规则化方法。实际测试结果表明,该方法与传统MPFI方法相比,一方面可以有效克服空间假频,实现多块三维区块的连片规则化处理;另一方面,该方法并未增加额外的地质信息,只是在一定程度上改变了观测系统的空间采样属性,具有比传统规则化方法更高的保真性。通过数据正演模型试算及野外地震数据实算,验证了该方法的准确性、有效性和对野外地震资料的适应性。

拉普拉斯多层极速学习机

极速学习机不仅仅是有效的分类器,还能应用到半监督学习中.但是,半监督极速学习机和拉普拉斯光滑孪生支持向量机一样,是一种浅层学习算法.深度学习实现了复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题,目前在机器学习领域中引起了广泛的关注.多层极速学习机(ML-ELM)是根据深度学习和极速学习机的思想提出的算法,通过堆叠极速学习机-自动编码器算法(ELM-AE)构建多层神经网络模型,不仅实现了复杂函数的逼近,并且训练过程中无需迭代,学习效率高.把流形正则化框架引入ML-ELM中,提出拉普拉斯多层极速学习机算法(Lap-ML-ELM).然而,ELM-AE不能很好地解决过拟合问题.针对这一问题,把权值不确定引入ELM-AE中,提出权值不确定极速学习机-自动编码器算法(WU-ELM-AE),可学习到更为鲁棒的特征.最后,在前面两种算法的基础上提出权值不确定拉普拉斯多层极速学习机算法(WUL-ML-ELM),它堆叠WU-ELM-AE构建深度模型,并用流形正则化框架求取输出权值.该算法在分类精度上有明显提高并且不需花费太多的时间.实验结果表明,Lap-ML-ELM与WUL-ML-ELM都是有效的半监督学习算法.

滨海公路软土路基变形机理及其沉降预测研究

针对滨海公路软土路基的工程地质特征,以深圳市滨海大道试验研究为依托,探讨了该类地区软土路基变形机理及其沉降发展规律,并通过对各种沉降预测模型的对比分析,结合5种常用的成长模型,提出了滨海公路软土路基变权重组合S型成长模型。最后,以该模型对依托工程进行了沉降预测,结果表明该模型预测效果较好,适用于该类地区路基工后沉降量预测,对实际工程具有一定的实用价值。

利用Extrapolation Tikhonov正则化算法进行重力梯度三维密度反演（英文）

本文利用Extrapolation Tikhonov正则化算法处理重力梯度数据三维密度反演的线性不适定问题。与Tikhonov正则化方法相比,Extrapolation Tikhonov正则化方法减小了因正则化参数的引入而带来的反演结果误差,提高了预测数据与观测数据之间的拟合精度。同时为了消除位场数据反演时位置函数快速衰减对反演结果的影响,本文提出了基于重力梯度全张量特征向量法的深度加权函数,模型试验证明了该深度加权函数能有效识别异常体密度分布特征。对澳大利亚Kauring地区实测重力梯度数据进行反演,并和已有研究成果对比分析。结果表明该反演方法能够较好的获取地下异常体的密度分布信息。

空域中基于正则化技术的有效图像复原算法

针对模糊图像的复原问题,在正则化技术解决病态性基础上提出了一种有效的空间域图像复原算法。该方法对正则项进行空间自适应加权从而局部地控制图像的平滑性,并用共轭梯度运算来改善算法的收敛性。计算机仿真结果表明,该方法很好地再现了原图像的重要信息,复原图像在峰值信噪比和主观视觉效果方面都有显著的提高。

瞬变电磁法低阻薄层反演

瞬变电磁反演方法对瞬变电磁数据解释有极其重要的作用。在实际工程中,由于地下低阻薄层响应较弱,现有的反演方法很难将其分辨出来。文中基于正则化反演理论,提出了一种新的模型约束加权方法,对地层的光滑度施加了周期性大幅变化的权值,通过两次迭代可自适应的反演出低阻薄层区。小权值使模型对电性参数的大尺度变化有较高的敏感性,便于筛选出异常薄层;同时,与小权值交错分布的大权值能尽量保证反演曲线的连续性,降低反演的多解性。通过仿真验证,该方法对低阻薄层区的分辨能力比传统算法更高,对较厚区域低阻区的分辨能力与传统方法类似。该方法迭代稳定,不依赖地层先验信息,具有很高的工程实践性。

基于加权最小二乘滤波的视频序列超分辨率重建

该文构建了一种视频序列超分辨率重建框架,在此框架下,首先讨论基于正则化处理的单帧图像上行插值和反卷积,然后在详细研究运动补偿矩阵和权值矩阵的构成及其性质的基础上,提出基于加权最小二乘滤波的帧间数据融合算法。实验表明该算法的重建结果相当有效,具有一定的自适应性和鲁棒性。

基于样本个体差异性的深度神经网络训练方法

深度神经网络目前在许多任务中的表现已经达到甚至超越了人类的水平,但是其泛化能力和人类相比还是相去甚远.如何提高网络的泛化性,一直是重要的研究方向之一.围绕这个方向开展的大量卓有成效的研究,从扩展增强训练数据、通过正则化抑制模型复杂度、优化训练策略等角度,提出了很多行之有效的方法.这些方法对于训练数据集来说都是某种全局性质的策略,每一个样本数据都会被平等的对待.但是,每一个样本数据由于其携带的信息量、噪声等的不同,在训练过程中,对模型的拟合性能和泛化性能的影响也应该是有差异性的.针对是否一些样本在反复的迭代训练中更倾向于使得模型过度拟合,如何找到这些样本,是否可以通过对不同的样本采用差异化的抗过拟合策略使得模型获得更好的泛化性能等问题,提出了一种依据样本数据的差异性来训练深度神经网络的方法,首先使用预训练模型对每一个训练样本进行评估,判断每个样本对该模型的拟合效果;然后依据评估结果将训练集分为易使得模型过拟合的样本和普通的样本两个子集;最后,再使用两个子集的数据对模型进行交替训练,过程中对易使得模型过拟合的子集采用更强有力的抗过拟合策略.通过在不同的数据集上对多种深度模型进行的一系列实验,验证了该方法在典型的分类任务和细粒度分类任务中的效果.

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。