非线性最小二乘平差参数精度的评定

对于非线性最小二乘平差参数的方差协方差传播的研究 ,必须与非线性最小二乘平差的研究同步。为了适应现代变形监测中观测值种类变化的多样性 ,将观测值类型加以扩展 ,提出了不同类型观测值的非线性最小二乘平差参数的方差协方差传播理论和计算公式 ,利用算例证明了它的可行性     

非线性最小二乘平差参数精度的评定

对于非线性最小二乘平差参数的方差－协方差传播的研究,必须与非线性最小二乘平差的研究同步。为了适应现代变形监测中观测值种类变化的多样性,将观测值类型加以扩展,提出了不同类型观测值的非线性最小二乘平差参数的方差－协方差传播理论和计算公式,利用算例证明了它的可行性。     

最小范数在秩亏自由网平差中的应用

为了比较经典自由网平差与秩亏自由网平差解法的特点,本文在分析秩亏自由网平差方法的基础上应用最小二乘法和最小范数法对同一水准网进行了解算,结果表明最小二乘解不唯一,权逆阵也不唯一,但改正数唯一;最小范数解与最小二乘解的改正数相同且结果唯一。     

GIS的非线性测量数据的误差处理及其应用

针对GIS数据应用中所存在的随机误差处理这一重要问题,本文提出了一种非线性最小二乘条件平差方法,给出了顾及泰勒二阶展开的基于空间数据随机误差的非线性条件平差模型,并结合算例将该方法与线性最小二乘平差方法加以比较,结果表明,当观测值与其平差值相近时,应用非线性最小二乘条件平差可明显提高平差结果的精度,这对于解决数字化处理过程中,因源文件中图形间的相互作用而引入大量误差,从而导致不能将非线性条件方程直接线性化问题提供了一种新的方法.     

基于等效平差因子的方差-协方差分量估计

充分挖掘观测量的信息,利用矩阵变换将随机模型的方差-协方差分量估计转化为函数模型的均值参数的估计,借助最小二乘理论得到方差-协方差的最小二乘估计.进一步通过矩阵的正交变换引入等效平差因子,然后通过二次型定理提出了基于等效平差因子的方差-协方差分量估计的新方法.算例表明,基于等效平差因子的方差分量估计的效果要优于最小二乘方差分量估计.     

线性最小二乘问题解法的理论分析

线性最小二乘问题的解法在数据拟合、测量平差、控制理论等方面均得到广泛的应用。针对复矩阵和酉空间这种最一般的情形，证明了线性最小二乘解的存在性，给出了线性最小二乘解的一般表示式和极小范数最小二乘解。另外还对正则化方程组的条件数进行了论证。许多结论与Euclid空间情况相近。     

概括函数模型的分组平差模型与公式

从概括平差函数模型出发，利用分组平差理论及相关最小二乘原理，导出了分组平差模型的平差计算及精度评定公式．概括函数模型的分组平差的平差计算和精度评价公式适应于所有的分组平差方法．     

混合遗传算法及其在非线性最小二乘估计中的应用

分析了利用单纯形操作代替交叉操作的混合遗传算法,该算法即兼顾了全局收敛性,又具有高效的局部搜索能力。并通过导线网平差的例子验证了应用该算法来解测量上的非线性最小二乘估计的可行性和优越性。     

附有等式约束的加权总体最小二乘平差方法

等式约束可以充分利用已有的先验信息和观测信息,使参数在满足平差主模型的同时吻合所建立的等式约束先验信息.针对目前附有等式约束的总体最小二乘平差方法都是观测值与系数矩阵独立、等精度的情况,推导了附有随机等式约束和固定等式约束的加权总体最小二乘平差方法的计算公式和精度评定公式,对于附有等式约束的总体最小二乘方法在实际测量数据处理中的应用具有一定的借鉴作用.     

最小二乘平差的非线性解法及其几何意义

本文讨论了非线性最小二乘平差的一种新的解法并证明了其收敛性；以间接平差为例用流形理论讨论了该种解法的几何意义。     

一种新的支持向量机混合集成算法

针对基于Boosting和Bagging的集成算法不能有效提高"强学习器"泛化性能的问题,融合Boosting的样本扰动和快速核独立分量分析的特征扰动以生成若干个体支持向量分类器,使生成的训练样本集具有较大的差异性。然后基于模糊核聚类算法根据各个体支持向量机在验证集上的泛化误差选择最优个体进行集成。实验结果表明该算法能进一步提高支持向量机分类器的泛化性能,而且具有较强的稳定性。     

基于Bayesian正则化算法的非线性函数拟合

为克服常规BP算法在解决非线性函数拟合时泛化能力不强的问题,本文研究了用贝叶斯正则化算法来提高网络泛化能力的问题,结果表明在相同网络规模或误差条件下,Bayesian正则化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快,拟合效果好。     

基于特征对比的领域泛化算法自适应选择方法

在自动驾驶、医疗等领域,模型的泛化性是衡量其安全性的重要指标。领域泛化算法选择方法可以指导使用者快速准确地选出适合的模型训练算法。针对目前尚缺乏有效的算法选择方法的问题,提出一种基于对比学习的领域泛化算法的特征对比(feature contrast, FeCo)选择方法。依据正例和负例选择策略选择特征,采用点积的方式计算特征相似度,最后通过噪声对比估计(info noise contrastive estimation, InfoNC)计算得分。使用该得分评估了同一类特征的聚合程度和不同类特征的分离程度,在3个数据集共200个领域泛化模型上进行验证。实验结果表明,在所有的方法中FeCo是唯一结果稳定的方法,FeCo的结果和模型真实泛化误差的相关性最高可达0.89,且运行时间缩短超过60倍。     

非线性系统定阶的神经网络方法

前馈型神经网应用于非线性系统辨识的一个问题是确定系统阶次。采用前馈神经网进行非线性系统定阶与神经网的推广性问题密切相关。ＯＬＳ算法是构筑径向基神经网的一种学习算法，但是采用ＯＬＳ算法构筑神经网存在推广性问题。ＲＯＬＳ算法将ＯＬＳ算法与正则化（ｒｅｇｕｌａｒｉｚａｔｉｏｎ）方法相结合，以提高算法的推广能力。本文将基于径向基网的ＲＯＬＳ算法应用于非线性系统定阶。本文对提出的方法进行了仿真研究，结果验证了方法的有效性。     

一种数据缺损条件下的小波神经网络收敛算法

针对神经网络训练数据缺损,造成逼近精度和推广能力大幅下降的问题,提出一种在数据缺损情况下的收敛算法。理论和试验证明该箅法能够有效地提高神经网络在数据缺损情况下的精度和推广能力。     

基于粗糙集的决策树集成学习算法

【目的】为提高决策树集成的泛化能力和效率,解决集成全部决策树的情况下有时并不显著提高精度、反而导致额外存储和计算开销的问题,提出一种基于粗糙集的决策树集成学习算法。【方法】该算法基于粗糙集理论,从训练的全部决策树中选择一部分进行集成。【结果】与目前流行的集成学习算法Bagging和Boosting相比,本文提出的算法有效地减小了集成规模,并获得更好的泛化能力。【结论】该算法提高了决策树集成的泛化能力和效率。     

基于模糊规则的随机缺失属性值数据分类算法

针对缺失属性值数据分类算法中模型分类精度和泛化能力低的问题, 提出一种基于模糊规则的缺失属性值数据分类算法, 即“循环 接收”模型. 该算法不需要对缺失属性值数据进行插补运算, 可直接对该数据集进行分类. 对UCI公开数据集进行模拟仿真实验, 实验结果表明, “循环 接收”模型与其他算法相比具有更高的分类精度和泛化能力.     

基于分级偏最小二乘回归的径向基函数神经网络

为提高径向基函数神经网络的泛化性能,提出一种利用分级偏最小二乘回归方法构造径向基函数神经网络的方法,逐步增加网络中的隐节点数直至达到合适的网络规模,消除了训练数据中存在的多重共线性对网络泛化能力的不利影响.所得径向基函数神经网络的泛化能力比偏最小二乘回归构造的径向基函数神经网络提高了约30%.船舶航向跟踪预测控制仿真验证了该算法的可行性和有效性.     

一种基于网格的最近邻SVM新算法

支持向量机(SVM)算法往往由于分类面过分复杂或过学习而导致其泛化能力降低,现有的最近邻（NNSVM)或K近邻（KNNSVM）方法解决了这类样本问题,但算法时间复杂度高,处理海量样本的能力有限。在NNSVM算法的基础上引入了网格概念,提出了GNNSVM算法,该算法先对空间进行分块,然后在空间块内计算样本距离,找出最近邻,并结合分块序列最小优化算法(SMO)进行了算法实现。实验表明,该方法降低了计算复杂度,它在保持分类精度的同时,提高了训练和分类的速度,并具有较强的泛化能力,从而提高了原NNSVM算法的海量数据处理能力。     

基于ELM神经网络的FAST节点位移预测研究

针对ELM神经网络隐含层节点数目需要人工设定,容易出现过拟合现象从而导致网络的泛化能力降低的问题,引出了基于误差最小化的ELM神经网络的改进方法 EM_ELM算法,并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性.随后将EM_ELM算法应用到FAST节点位移的预测模型中,并且进行了仿真验证.仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失,但是仍能满足实时性的要求,而且它的预测精度和泛化能力都得到提升,证明了改进算法的有效性与可行性,进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.