鲁棒的光滑支持向量机

光滑支持向量机(Smooth Support Vector Machine,SSVM)是传统支持向量机的一种改进模型,它利用光滑方法将传统支持向量机的二次规划问题转化成无约束优化问题,并使用Newton-Armijo算法求解该无约束优化问题。在光滑支持向量机的基础上提出了鲁棒的光滑支持向量机(Robust Smooth Support Vector Machine,RSSVM),其利用M-estimator代替SSVM中基于L2范数的正则化项,并利用半二次最小化优化方法求解相应的最优化问题。实验结果表明所提方法可以有效地提高SSVM的抗噪声能力。     

浅析地铁深基坑施工管理现状

施工管理是否到位,对于地铁深基坑的施工来说具有关键性作用.本文以上海市轨道交通1 2号线工程为例,具体分析其深基坑施工管理的现状.     

风积沙路基施工技术实例分析

以内蒙古巴新铁路工程项目为例,笔者较为详细的介绍了风积沙路基的施工工艺和质量控制方法,文章对于风积沙路基施工技术的应用与推广具有较强的现实意义。     

基于导向式落石防护装置的落石冲击模型研究

落石是山区公路周边最常见的地质灾害之一，严重威胁人们的出行安全。结合落石具有冲击力大、运动范围广的特点，介绍了一种导向式落石防护装置。考虑落石自由落体运动及冲击力模型得出落石冲击力大小的影响因素，以导向作用模型阐释冲击碰撞过程中落石闸板的运动转换和装置的受力情况，列举了相关实例，用于说明该装置针对不同大小的落石的导向运动方式。     

基于系统可靠度理论的抗滑桩加固边坡稳定性研究

鉴于抗滑桩加固边坡设计中存在诸多不确定性因素,针对抗滑桩加固边坡案例提出了一种基于可靠理论的边坡系统抗滑力的分析模型,并结合代表性滑动面原理建立了相应的求解方法。算例分析表明,抗滑桩对边坡的代表性滑动面的位置及可靠度指标有着重要影响。在抗滑力相同的条件下,抗滑桩存在一个最优的加固位置,所提方法可确定抗滑桩的加固位置和抗滑力,对抗滑桩加固边坡的最优设计具有参考意义。     

基于最大相关熵的KPCA异常检测方法

异常检测是机器学习中一个重要的研究内容,目前已存在大量的异常检测方法。作为一种常用的核方法,核主成分分析(Kernel Principal Component Analysis, KPCA)已被成功地用于解决异常检测问题。然而,传统的KPCA异常检测方法对噪声非常敏感,若训练样本中存在噪声,则会降低KPCA异常检测方法的检测性能。为了提高KPCA异常检测方法的抗噪声能力,提出了一种基于最大相关熵(Maximum Correntropy Criterion, MCC)的KPCA异常检测方法。利用信息理论学习中的相关熵代替KPCA异常检测方法中基于?₂范数的度量,通过调节相关熵函数中的宽度参数,可以有效抑制噪声带来的不利影响;利用半二次优化技术对所提方法的优化问题进行求解,仅需较少的迭代次数即可取得局部最优解。此外,给出了所提方法的算法描述,并分析了算法的计算复杂度。在16个UCI基准数据集上的实验结果表明,与其他4种相关方法相比,所提方法取得了更优的抗噪声能力和泛化性能。     

基于样本选取和加权KPCA-L1的异常检测*

为了提高基于一范数的核主成分分析算法（KPCA-L1）处理异常检测问题的速度,提出了基于样本选取和加权KPCA-L1的异常检测方法。所提方法首先从训练集中选取具有代表性的特征子集,然后为所得特征子集中的样本赋予权重,用带有权重的特征子集训练模型,构造加权KPCA-L1。与KPCA-L1相比,所提方法能够有效地减小训练集的规模,同时改善了KPCA-L1算法的更新方法。在人工数据集和标准数据集上的实验结果表明,在保证异常检测准确率的前提下,所提方法比KPCA-L1具有更快的建模速度。     

基于二次Renyi熵的神经网络集成

神经网络集成能够有效提高单个神经网络的分类或回归性能。在基于香农熵的神经网络集成基础上,提出了基于二次Renyi熵的神经网络集成。与基于香农熵的神经网络集成相比,所提集成策略的最优组合权重可以解析求得,无需利用牛顿法迭代求取。在人工和标准数据集上的实验结果表明:与单个神经网络和基于香农熵的神经网络集成相比,基于二次Renyi熵的神经网络集成能够取得更优的性能。     

基于中心核对齐的多核单类支持向量机

多核学习(MKL)方法在分类及回归任务中均取得了优于单核学习方法的性能,但传统的MKL方法均用于处理两类或多类分类问题.为了使MKL方法适用于处理单类分类(OCC)问题,提出了基于中心核对齐(CKA)的单类支持向量机(OCSVM).首先利用CKA计算每个核矩阵的权重,然后将所得权重用作线性组合系数,进而将不同类型的核函...     

基于L1范数的二维局部保留映射

提出了一种基于L1范数的二维局部保留映射(two-dimensional locality preserving projections based on L1-norm,2DLPP-L1)特征提取方法。与传统的基于L2范数的二维局部保留映射(2DLPP)相比,所提方法有两个优点。首先,由于L1范数对噪声不敏感,因此它具有更强的抗噪声能力;其次,它不需要进行特征值分解。在两个人脸数据库和一个手写数字数据集上的实验结果表明,当训练集中有噪声时,所提的2DLPP-L1能够取得优于传统2DLPP的分类性能。