压缩感知及其应用:从稀疏约束到低秩约束优化

压缩感知(或称压缩采样)是国际上近期出现的一种信息理论。其核心思想是只要某高维信号是可压缩的或在某个变换域上具有稀疏性,就可以用一个与变换基不相关的测量矩阵将该信号投影到一个低维空间上,然后通过求解一个最优化问题以较高的概率从这些少量的投影中重构出原始信号。压缩感知理论突破了香农定理对信号采样频率的限制,能够以较少的采样资源,较高的采样速度和较低的软硬件复杂度获得原始信号的测量值。该理论已经被广泛应用于数字相机、医学成像、遥感成像、地震勘探、多媒体混合编码、通讯、结构健康监测等领域。本文归纳了压缩感知研究中的关键问题,探讨压缩感知从稀疏约束到低秩约束优化的发展历程,对压缩感知在遥感、地震勘探等几个相关领域的应用研究进行了综述。

神经网络在机器人焊接参数规划中的应用

离线编程因其不占用生产时间、适用性广等优点 ,已成为机器人编程中的重要的一个分支。而机器人焊接参数规划器是弧焊机器人任务级离线编程的一个非常必要的组成模块。本文采用了前馈式神经网络的一种新的学习算法———单参数动态搜索算法 (SPDS) ,以完成焊接参数规划任务。该算法的特点是单参数动态搜索 ,大大减少了误差函数的计算量。同时本文利用了函数连接的思想 ,完成了神经网络输入参数的预处理。计算结果表明 ,在焊接参数规划方面 ,该方法的收敛效果要优于现行的BP算法。

BP网络的SPDS训练算法的鲁棒性

证明了作为BP网络的训练算法之一的SPDS算法在收敛的同时具有鲁棒性这一良好性质、实例也证明了SPDS算法较之BP算法在鲁棒性问题上有较大进步 .

基于单参数坐标轮换法的多层前馈型神经网络的一种新型算法

关于前馈型神经网络，本文提出一种基于单参数坐标轮换法的新型高效算法，并就其计算复杂性方面进行了深入研究．指出本算法之所以收敛速度快，是因为其计算复杂性只与网络单元有关参数关系密切．算例证明了本算法对实际应用问题比ＢＰ算法有明显改进．

基于学习型超完备字典的地震数据去噪(英文)

基于变换基函数的方法,是地震去噪处理中最常用的技术之一,它利用地震数据在某种基函数变换域内的稀疏性和可分离性来达到剔除噪声的目的。但传统的做法是事先选定一组固定的变换基并在对应域内进行处理,其效果往往并不十分令人满意。为了探索新的改进方法,我们引入学习型超完备冗余字典,即根据地震模型数据进行学习和训练,以寻求最优的稀疏表示字典,而不是只选用固定的变换基。本文在字典学习中融入全变差最小化策略以压制伪吉布斯现象。我们选用离散傅里叶变换作为初始变换,并以随机噪声为例,对单一的全局变换、未经学习的超完备冗余字典和学习型超完备冗余字典做了比较。结果表明,利用经过训练的超完备冗余字典,在对地震数据进行稀疏表示的同时,也达到了有效去除噪声的目的,可视性和信噪比都得到了明显提高。我们也比较了均匀和不均匀字典子块的效果,结果表明,不均匀的字典子块更利于地震数据去噪。

联想记忆的一种递归实现方法

通过构造共轭向量，给出联想记忆的一种递归实现方法。当输入向量线性无关时可得到理想的输出，并给出了仿真例子。