电磁逆散射成像的一种混合正则化方法

电磁逆散射成像问题数值求解中,非线性逆散射方程及其对应的离散方程组具有明显的不适定性,针对求解通常所用Tikhonov正则化方法的参数选择在先验选取时缺乏有效的误差信息,而后验选取时需要更多计算量求解有关参数的方程的困难,本文中将小参数Tikhonov正则化方法与共轭梯度法结合,提出了不适定方程组的混合正则化方法。数据仿真表明,该方法既可保证正则化效果,也减少了计算量。     

超声逆散射图象重建问题中截断奇异值分解正则化方法研究

为解决超声逆散射成像问题中的非线性性,人们需要反复地求解前向散射方程和逆散射方程,以达到对全场和未知函数的精确近似,从而根据这一未知函数的精确近似,较好地重建物体内部的断层图象.前向散射方程是一个适定的方程组,可以采用通常的方法进行求解;而逆散射方程则是一个不适定性的方程组,即使数据中存在一个微小的误差,都可能引起解的较大偏离,因此,对这个不适定方程组的求解问题是整个迭代算法成功的关键.而在不适定性问题的求解过程中,正则化参数的选取又是非常重要的.求解不适定性方程的传统方法是Tikhonov正则化方法,这一方法的实质是在传统最小二乘方法上加上一个小于1的滤波因子,对于超声逆散射成像问题来说,效果并不太好.本文将截断奇异值分解正则化方法应用于逆散射方程的求解问题中,并对正则化参数的选取方法进行修正.数值仿真结果表明,这一方法配合适当的正则化参数选取,可以更好地滤除噪声,提高重建图象的质量与可信度,同时还可以减小迭代过程中的计算量.     

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.     

数值求导的离散正则化方法

数值微分作为一个典型的反问题,在Hadamard意义下是不适定的,即在求导中函数的微小扰动就可能导致计算上很大的误差。本文首次利用目前处理不适定问题的、广为采用且相当有效的Tikhonov 正则化方法,讨论了用离散正则化方法处理数值求导的有关理论和技术问题,包括离散正则解的收敛性、稳定性以及在原始数据误差水平已知和未知情况下的正则参数选取问题,给出了稳定和有效的算法,并在Matlab环境下加以实现,而且进行了成功的数值试验和对比试验研究。理论分析和数值试验表明：利用本文所给给的离散正则化算法求导,具有精度高和数值稳定性好、抗干扰性能强等优点。     

近似最优正则化参数方法在电容成像图像重建中的应用

将基于近似最优正则化参数的Tikhonov方法应用于电容成像(Electrical capacitance tomography，ECT)图像重建以解决其中存在的病态性问题，并利用几种典型分布对该方法进行仿真测试。数值结果表明，在先验知识满足的条件下，近似最优参数法所找到的正则化参数是对最优正则化参数的较合理近似。在重建结果方面，基于近似最优参数的Tikhonov方法在不同的介电常数分布下与目前普遍采用的线性反投影算法(Linear back projection，LBP)各有优势。结果表明，该方法尚不能完全取代LBP算法，但能在一定程度上弥补LBP算法的不足。     

基于正则总体最小二乘准则的OFDM系统信道估计算法

基于导频的最小二乘(LS)估计方法的优点是结构简单,容易实现,但对噪声和干扰敏感。通过对OFDM系统中由于信道的时变性产生的载波间干扰进行了分析,在此基础上提出正则总体最小二乘(TLS)信道估计算法。根据Tikhonov正则化原理,导出了总体最小二乘正则化解法的计算公式。与一般的LS信道估计相比,TLS方法同时考虑了信道噪声和信道时变特性,所以该算法不仅在一般的信道条件下具有良好的性能而且也适合快变信道条件下的OFDM系统。仿真结果表明,该算法具有很好的均方误差和误比特率性能。     

奇异控制正则化方法的推广与应用

本文将D.H.Jacobson正则化方法推广用以求解更一般的奇异控制问题。将算法用来解决水厂优化控制,取得了显著效果。     

基于自步数据重构正则化的模糊C均值聚类算法改进

为了有效降低模糊C均值算法对奇异值和噪声点的敏感性,本文提出一种自步数据重构正则化模糊C均值聚类算法。传统算法是在C均值算法的目标函数中引入加权参数来实现对数据的模糊性划分,而本文提出的方法则是通过对C均值的目标函数进行数据重构正则化来实现,并以自步学习的方式逐步对数据点进行聚类。实验结果表明,本文算法在模拟数据、实际数据以及在图像分割中都能显著降低算法对奇异值和噪声数据的敏感性,聚类更为准确高效。     

基于小波域隐马尔可夫模型的信号超分辨率重建

提出一种基于小波域隐马尔可夫模型(WHMM)的信号超分辨率重建算法。根据贝叶斯原理和最大后验概率估计理论,将WHMM作为先验知识给出一般信号的超分辨率重建模型;详细推导了重建问题的Euler-La-grange方程及对数似然函数的导数计算,将信号的超分辨率重建归结为一个简单线性方程组的求解;最后采用期望最大化(EM)算法和共轭梯度算法交替迭代计算WHMM的模型参数和高分辨率重建信号。一维和二维测试信号的实验结果表明该方法在有效抑制噪声的同时,能够很好地重建出信号的高频细节。在相同的信号降质条件下,针对一维情形,本文重建方法的峰值信噪比(PSNR)较三次插值和Tikhonov正则化方法平均提高2.3994 dB和4.474 2 dB;针对二维情形,本文重建方法的PSNR较双三次插值和Tikhonov正则化方法平均提高1.1741 dB和0.648 7 dB。     

基于Tikhonov正则化的WSN多边定位算法研究

节点定位是无线传感器网络实现监测和跟踪的一个重要前提.针对多边定位中的不适定问题.提出了一种基于Tikhonov正则化方法的定位算法,研究了定位模型的建立、正则化参数的选取方法以及最优定位参考点数的选取等问题.实验结果表明本算法与典型的极大似然估计法相比,较大幅度地提高了定位精度,当a值选取600,采用5个参考节点时,定位精度可达到1米.     

基于精细计算的动载荷反演问题正则化求解

提出了一种新的动态载荷识别的时域法,通过精细计算法建立精确的动态载荷识别问题反演模型,对该反演问题对应的结构矩阵进行奇异值分解,剖析了动态载荷识别病态问题的本质,并引入正则化技术寻求一稳定近似解;最后将提出的方法成功应用于平面框架结构的动态载荷识别,为动态载荷识别的理论发展和实际应用打下一定的基础．     

LPA-SKFST半监督特征提取方法

针对传统LDA类半监督特征提取方法的解矢量非正交、解空间不稳定和非线性处理能力不足等问题,提出LPA-SKFST方法.该方法的前置级LPA通过标签传播提高标记样本容量,后置级SKFST(半监督核最佳鉴别矢量集)采用双向正则方法对KFST引入全局结构保持正则和Tikhonov正则,并以成对空间求解方法求取Fisher分母矩阵奇异和非奇异时的统一形式解.在circle、iris、wine和自有珍珠光谱集的分类实验中,PCA、LDA、SLDA和SDG组的准确率随样本集、标记样本占比和标签可靠性变化而波动,LPA-SKFST组则稳定保持在85％以上.该结果证明,LPA-SKFST能克服标记样本占比和标记可靠性不足局限,在实际集和线性不可分人工集上取得一致、稳定的优秀表现.     

Iterative lavrentiev regularization for symmetric kernel-driven operator equations: with application to digital image restoration problems

~~Iterative Lavrentiev regularization for symmetric kernel-driven operator equations: with application to digital image restoration problems1. Roggemann, M. C, WeJsh, B., Imaging Through Turbulence. New York. CRC Press, 1996. 2. Bertero, M., Boccacci, P., Introduction to Inverse Prolems in Imaging, Bristol: IOP Publishing, 1998. 3. George, S., Nair, M. T., A class of discrepancy principles for the simplified regularization of ill-posed problems, J. Austral. Math. Soc, Ser.…     

Two regularization methods and the order optimal error estimates for a sideways parabolic equation

In this paper, we consider an inverse heat conduction problem which appears in some applied subjects. This problem is ill-posed in the sense that the solution (if it exists) does not depend continuously on the data. A Tikhonov type's regularization method and a Fourier regularization method are applied to formulate regularized solutions which are stably convergent to the exact ones with order optimal error estimates. A numerical example shows that the computational effect of these methods are all satisfactory.     

Reconstruction of the corrosion boundary for the Laplace equation by using a boundary collocation method

In this paper, we consider the identification of a corrosion boundary for the two-dimensional Laplace equation. A boundary collocation method is proposed for determining the unknown portion of the boundary from the Cauchy data on a part of the boundary. Since the resulting matrix equation is badly ill-conditioned, a regularized solution is obtained by employing the Tikhonov regularization technique, while the regularization parameter is provided by the generalized cross-validation criterion. Numerical examples show that the proposed method is reasonable and feasible.     

Error analysis and minimum bound method for atmospheric remote sensing

In this study, we present an error analysis for Tikhonov regularization in a semi-stochastic setting. The analysis is carried out in such a way that it can be applied to any kind of inverse problem in atmospheric remote sensing. A method for selecting the optimal regularization parameter relying on the minimization of an estimator of the bound of the error between the first iterate and the exact solution is also discussed. Numerical simulations are performed for NO₂ retrieval from SCIAMACHY limb scatter measurements.     

Regularized online sequential learning algorithm for single-hidden layer feedforward neural networks

Online learning algorithms have been preferred in many applications due to their ability to learn by the sequentially arriving data. One of the effective algorithms recently proposed for training single hidden-layer feedforward neural networks (SLFNs) is online sequential extreme learning machine (OS-ELM), which can learn data one-by-one or chunk-by-chunk at fixed or varying sizes. It is based on the ideas of extreme learning machine (ELM), in which the input weights and hidden layer biases are randomly chosen and then the output weights are determined by the pseudo-inverse operation. The learning speed of this algorithm is extremely high. However, it is not good to yield generalization models for noisy data and is difficult to initialize parameters in order to avoid singular and ill-posed problems. In this paper, we propose an improvement of OS-ELM based on the bi-objective optimization approach. It tries to minimize the empirical error and obtain small norm of network weight vector. Singular and ill-posed problems can be overcome by using the Tikhonov regularization. This approach is also able to learn data one-by-one or chunk-by-chunk. Experimental results show the better generalization performance of the proposed approach on benchmark datasets.