一种基于L1范数正则化的回声状态网络

针对回声状态网络存在的病态解以及模型规模控制问题,本文提出一种基于L1范数正则化的改进回声状态网络.该方法通过在目标函数中添加L1范数惩罚项,提高模型求解的数值稳定性,同时借助于L1范数正则化的特征选择能力,控制网络的复杂程度,防止出现过拟合.对于L1范数正则化的求解,采用最小角回归算法计算正则化路径,通过贝叶斯信息准则进行模型选择,避免估计正则化参数.将模型应用于人造数据和实际数据的时间序列预测中,仿真结果证明了本文方法的有效性和实用性.     

估算低压纯气体导热系数方法的评价及改进

导热系数是有机物的重要物性数据之一,也是化工过程模拟与优化建模中不可或缺的参数。尽管文献中有部分化合物导热系数的实验值,但很多物质的导热系数不能由实验获得,往往是通过建立数学模型来估算。这里主要对估算低压纯气体导热系数的方法进行了归纳和研究,并对一些方法存在的问题进行了说明及改进。主要介绍了Chung法、Eucken关系式法、改进的Eucken关系式法和Stiel-Thodos法的原理、优缺点及应用范围;并利用这些方法估算了100种化合物的导热系数值,将这些估算值再与温度关联式所计算的结果进行比较。结果表明Chung法是估算导热系数较之其它精确。同时对Chung法进行改进,得到Chung法的18种常用酸性化合物的k值,扩大了方法的应用范围。     

正则化HSS预处理鞍点矩阵的多尺度算法

针对鞍点求解结果收敛速度慢、CPU消耗时间较长等问题,提出一种正则化HSS预处理鞍点矩阵的多尺度算法.运用最优正则化方法确定正则参数,得到计算最优正则参数公式;通过HSS方法完成系数矩阵预处理,得到新的预处理子NHSS;为了更加具体地分析预处理后的鞍点矩阵多尺度算法特征值分布形态,择优选取预处理子参数,确保算法收敛速率...     

结合正则化求解的机场场面多点定位方法

针对机场场面飞机多点定位(MLAT)方法存在精度不高且抗观测误差能力低的问题,提出一种结合Tikhonov正则化的高精度多点定位方法.将场面接收站测量的到达时差(TDOA)数据构建成一个数值模型,形成待求解的逆问题;采用Tikhonov正则化方法来求该问题获得飞机位置,以此解决病态性问题所引起的估计不稳定;为使求解过程对误差敏感性与解精确性之间折中,通过L-曲线法对Tikhonov正则化参数进行选择.仿真结果表明,该方法能够实现高精度的GDOP覆盖,对TDOA测量误差具有很好的鲁棒性.     

基于小波域正则化和贝叶斯规则的图像恢复算法

提出了将小波变换的正则化图像恢复与贝叶斯统计模型分析相结合的方法用于对图像进行消噪处理。正则化图像恢复是条件约束的最优化问题,而小波系数的贝叶斯统计选择是基于图像的随机场观点。两者的有机结合可以辨证地处理正则化参数和算子的选择以及先验模型的分布计算问题。     

正则化路径上三步式SVM贝叶斯组合

模型组合旨在整合并利用假设空间中多个模型提高学习系统的稳定性和泛化性.针对支持向量机(support vector machine,SVM)模型组合多采用基于样本采样方法构造候选模型集的现状,研究基于正则化路径的SVM模型组合.首先证明SVM模型组合Lh-风险一致性,给出SVM模型组合基于样本的合理性解释.然后提出正则化路径上的三步式SVM贝叶斯组合方法.利用SVM正则化路径分段线性性质构建初始模型集,并应用平均广义近似交叉验证(generalized approximate cross-validation,GACV)模型集修剪策略获得候选模型集.测试或预测阶段,应用最小近邻法确定输入敏感的最终组合模型集,并实现贝叶斯组合预测.与基于样本采样方法不同,三步式SVM贝叶斯组合方法基于正则化路径在整个样本集上构造模型集,训练过程易于实现,计算效率较高.模型集修剪策略可减小模型集规模,提高计算效率和预测性能.实验结果验证了正则化路径上三步式SVM模型组合的有效性.     

超声逆散射成像问题中的截断完全最小二乘法

在超声逆散射成像问题中，由于要反复迭代求物体内部的全场与未知函数，使得方程组的系数矩阵与数据项均存在误差，将同时考虑系数矩阵和数据项均存在误差的截断完全最小二乘正则化方法运用于超声逆散射成像问题中．数值仿真结果显示，截断完全最小二乘法与传统的Tikhanov的正则化方法相比，可以提高数据的拟合程度，也即提高了成像的质量．     

智能型高精度防护板法导热仪的设计

介绍了一种基于AT89C51的智能型防护板法导热仪,通过对传统导热仪的结构、电源、加热方式、控制电路进行改进,使仪器在系统稳定性、精确性方面得到了提高.由于采用了恒温与恒功率相结合的加热方法,使得该仪器在测试的速度和精度上都有所提升,同时也为基于稳态法的导热议的设计提供了一种新思路.     

SVRRPMCC:一种支持向量回归机的正则化路径近似算法

正则化路径算法是数值求解支持向量回归机(Support Vector Regression,SVR)的有效方法。根据SVR正则化路径的分段线性性质,该类算法可在相当于一次SVR求解的时间复杂度内求得正则化参数的所有可能取值及对应SVR的解。由于在解路径建立过程中需要求解线性方程组,已有的精确计算方法难以处理大规模的样本数据,因此研究了正则化路径近似算法,并提出了SVR正则化路径近似算法SVRRPMCC。首先,应用Monte Carlo方法实现线性方程组系数矩阵的随机采样,求得近似系数矩阵; 然后,应用Cholesky分解方法实现快速求解系数逆矩阵;进一步,分析了SVRRPMCC算法的近似误差和计算复杂性;最后,在标准数据集上的实验验证了SVRRPMCC算法的合理性和较高的计算效率。     

正则化参数求解方法研究

针对BP神经网络算法训练过程中出现的过拟合问题,提出了利用一阶原点矩,二阶原点矩,方差和极大似然估计概念的推广来计算L2正则化中正则化参数λ值的方法。该方法通过对算法数据集[X,Y]中的X矩阵进行运算得到的四个λ值,BP神经网络算法训练时通常采用的是贝叶斯正则化方法,贝叶斯正则化方法存在着对先验分布和数据分布依赖等问题,而利用上述概念的推广计算的参数代入L2正则化的方法简便没有应用条件限制;在BP神经网络手写数字识别的实验中,将该方法与贝叶斯正则化方法应用到实验中后的算法识别结果进行比较,正确率提高了1.14-1.50个百分点;因而计算得到的λ值应用到L2正则化方法与贝叶斯正则化方法相比更能使得BP神经网络算法的泛化能力强,证明了该算法的有效性。