求解最小闭包球问题改进的SMO-型算法

研究n维空间中m个点的最小闭包球(MEB)问题。通过结合确定并删除内部点的技术到序列最小最优化(SMO)方法中,提出一种近似求解MEB问题的改进的SMO-型算法。证明了该算法具有线性收敛性。数值结果表明对于一些mn的大规模数据集,改进的算法与原算法相比速度可以提高10倍以上。尤其,当n等于100且m等于100000时,改进的SMO-型算法仅需执行8s。此外,对于n等于10000且m等于1000的大规模数据集,改进的算法也仅需执行150s。     

基于积极集策略的最小闭包球问题算法研究

首先,基于每次迭代计算距离当前球心最远的两个点,提出一种求解n维空间中m个点的最小闭包球问题的(1+ε)-近似算法.对于ε∈(0,1),建立了该算法的核心集大小和计算复杂度,分别为O(1/ε)和O(mn/ε).然后,给出一种积极集策略,每次迭代计算距离当前球心最远的N个点.将该策略结合到提出的算法中,得到一个基于积极集策略的算法.最后,实验结果表明基于积极集策略的算法能够快速、有效地求解m》n的大规模数据集的近似最小闭包球.     

电阻抗成像的稀疏重建算法

针对电阻抗成像空间分辨率低和对测量噪声敏感的问题,将传统Tikhonov正则化问题中目标函数的L2范数正则项修正为L1范数,将动态电阻抗图像中非均匀的电导率具有稀疏性作为先验信息添加到L1范数正则项中,由此提出一种电阻抗成像的稀疏重建算法。建立基于总变差法、正交匹配追踪法以及L1范数最小二乘法的电阻抗成像模型,并借助实验可知,新算法成像质量好,对测量噪声不敏感,且成像速度较快。     

最小闭包球问题近似算法的加速策略

结合最小闭包球(Minimum Enclosing Ball,MEB)问题近似算法的加速策略,到求解MEB问题的序列最小最优化(Sequential Minimal Optimization,SMO)近似算法中,分析给出基于远离步策略、确定并除去内部点策略及割平面法策略和积极集策略的SMO-型算法。数值实验结果表明,远离步策略能够有效减少核心集的大小,其他策略均能不同程度的提高算法的运行速度,积极集策略是最快的加速策略。