优化Tikhonov迭代法在电容层析成像中的应用

为了提高电容层析成像的速度和质量,将收敛速度较快的Tikhonov迭代法应用于电容层析成像.Tikhonov迭代法的难点在于正则化系数的选取,通过对其正则化作用的分析,提出利用对灵敏场的奇异值分解,选取最大奇异值作为正则化系数,从而保证算法收敛的稳定性;同时为了提高收敛速度,将线性反演算法(LBP)计算所得的灰度作为迭代的初始值.结果表明:该正则化系数具有更高的稳定性和收敛速度;Tikhonov迭代法与Landweber迭代法相比具有收敛速度更快,重建图像质量更高的优点.     

基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

ROMP的正则化分析研究

正则化正交匹配追踪(ROMP)算法通过引入正则化的方式提升重构过程的稳定性和速度。该算法在不同正则化参数值时,每次迭代均会选出多个能量值最大的位置索引数不同,导致重构算法的重构误差和运行速度不同。正则化参数常值被赋值为2,本文通过对ROMP的正则化过程进行分析,并在MATLAB上进行仿真,找出不同稀疏度的信号在不同信噪比下最佳的正则化参数值,以保证稳定性的情况下提升算法的速度。     

改进型BP 神经网络对球面磨削最高温度的模拟与预测

基于人工神经网络良好的非线性逼近特性,利用正交试验结果作为神经网络的训练样本,建立基于批训练的改进型误差反向传播(BP)神经网络,并通过Levenberg-Marquardt算法使网络误差最小化,配合Bayesian正则化使网络的误差平方和、网络权重以及阈值平方和实现最优化组合.结果表明,改进型BP神经网络具有较快的收敛速度、较好的泛化性和较强的稳定性,能够准确模拟和预测球面磨削中的最高温度.
     

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Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

基于叠加编码的增强型Gossip算法研究

提出了一种无线传感器网络中的Gossip算法,该算法能充分利用无线网络的广播特性来加快收敛速度.通过叠加编码的处理,增大了有效通信半径,使无法获得完整发射信息的节点获得部分发射信息,且这部分信息可以有效加快信息的传播速度,从而达到加快算法收敛速度、节约传感器能量消耗的目的.理论分析及仿真验证表明:基于叠加编码的Gossip算法可以有效加快收敛速度,同时通过对叠加编码通信半径的调整,可以在收敛速度与收敛精度之间取得平衡.     

距离观测方程非线性平差的正则化共轭梯度法

基于稳定泛函约束思想,推导了距离观测方程非线性平差的正则化共轭梯度法.该算法将稳定泛函约束作用于共轭梯度法,解决了共轭梯度法求解病态测距定位方程的不稳定甚至不收敛的问题,提高了正则化数值算法的收敛效率,最后采用模拟数据和水下定位实测数据进行了验证.实验结果表明,该算法具有较好的收敛稳定性,收敛效率优于迭代正则化算法.     

一种超松弛的最优传输近似点算法

【目的】最优传输在实际应用中通常使用Sinkhorn算法求解熵正则化形式得到近似解,考虑Sinkhorn算法的效果容易受熵正则化参数影响,且难以收敛到最终精确解,提出了一种超松弛形式的近似点算法。【方法】针对原最优传输的近似点算法,为其中传输计划的迭代计算引入超松弛算子,并给出了超松弛参数计算方法。【结果】在保持算法对正则化参数具有鲁棒性及可收敛至精确解的优点的同时,所提算法能更快地收敛至精确解。【结论】数值实验表明,相较于原近似点算法,所提算法进一步提升了收敛速度,在有限的迭代步骤下能够达到更高精度,算法可更好地应用于机器学习。     

基于差分算法的异构移动节点分布优化策略

针对监测区域中目标非均匀分布的情况,提出一种解决异构移动无线传感网络环境中节点布局的差分优化策略.该策略以网络的有效覆盖率为优化目标,指导种群进化,加快算法收敛速度.仿真结果表明差分优化算法能快速有效地实现异构移动无线传感节点布局优化.与虚拟力算法相比,差分优化策略不仅网络覆盖率高,且收敛速度快,耗时少.     

一种快速收敛的迭代正则化方法

对于线性不适定问题, 基于Landweber迭代正则化方法 提出一种快速收敛的迭代正则化方法, 依据Morozov偏差原理, 采用后验选取正则化参数的方法得到了最优渐近收敛阶的正则化解. 数值实验结果表明, 该方法可以加快收敛速度, 降低计算量.     

基于神经网络控制的共轭梯度法

共轭梯度法中搜索步长是通过某种搜索策略得到,许多情况下的收敛速度较慢.为了加快其收敛速度,提出了通过引入具有“先验知识“的神经网络对共轭梯度算法中的搜索步长进行控制.实验结果表明,该模型实现的共轭梯度法对于加快收敛速度有效.     

第一类不适定积分方程的快速多尺度Petrov-Galerkin算法

主要讨论第一类不适定积分方程的一种多尺度快速算法.将半双正交的多尺度基底的Petrov-Galerkin方法应用于求解Tikhonov正则化所得的方程.在此基础上给出一种矩阵截断策略,证明了应用该策略所得的系数矩阵的计算复杂度,发现可以大减少计算量,进而给出一种先验参数选取策略,证明了所得的正则化近似解可以达到最优收敛阶.最后,数值算例说明了结果的有效性.     

神经网络算法在特色农产品品质分类中的应用

针对新疆核桃品质分类问题,本文选取特征参数数据,采用神经网络的最速下降BP网络算法、自组织竞争算法、概率神经网络算法建立分类模型,做了训练和测试分类的工作.实验结果表明,三种算法中动量BP网络算法在实现中较为简易直观,相比三种算法,其网络收敛速度较慢,在动量因子的合理选取下,误差在一定范围可以达到收敛的最小震荡;自组织竞争网络在预先设定好的类别范围内,可将分布比较密集的样本进行更加细化的聚类分类,使得分类问题达到更优结果;概率神经网络具有较好的网络收敛速度.实验结果可为实现核桃类坚果的自动化分类、提高工作效率提供一定的理论依据.     

一种抛物型方程逆时反问题的修正拟边值正则化方法

提出一种修正的拟边值正则化方法求解一类抛物型方程逆时反问题.首先,在滤子正则化框架下说明了该修正的拟边值正则化方法本质是经典的Tikhonov正则化方法.然后,基于对初值函数的先验假设,采用特征函数展开法,分别证明了在正则化参数先验选取策略与后验选取策略下正则化解的收敛率.最后,借助有限元插值技术,设计出易于并行的反演算法,并通过数值算例验证了反演算法的有效性.     

二维热传导方程源项反问题的一类正则化方法

研究了一类二维热传导方程源项反问题,它是一个典型的不适定问题。通过将方程的终值时刻的温度场作Fourier展开,构造出源项反问题的正则化近似问题,从而获得源项的正则化解,并给出了正则化解的稳定性和收敛性结论。随后,给出了先验选取正则化参数时正则化解的收敛率。与之前的正则化方法相比,收敛率有所提高。最后,分别利用先验与后验选取正则化参数进行数值模拟,模拟结果表明本文提出的正则化方法是可行的。     

基于Split Bregman算法的MRI图像重建参数分析

压缩感知理论已应用在MRI成像中,作为压缩感知的非线性重建算法的重要分支,以Split Bregman算法为代表的凸松弛法将信号重建问题转化为凸优化问题求解,其计算效率高.对Split Bregman算法的正则化参数功能和调节机制进行了理论研究,分析了正则化参数对该算法收敛精度和收敛速度的影响.仿真结果表明了3个正则化参数对MRI图像重建效率和精度的影响程度.     

采用双经验回放池的噪声流双延迟深度确定性策略梯度算法

为了进一步提高双延迟深度确定性策略梯度算法(TD3)的网络探索性能和收敛速度,提出一种采用基于多步优先和重抽样优选机制的双经验回放池的噪声流TD3算法。该算法在策略网络中的每一层添加噪声流以增加参数的随机性,并引入多步优先经验回放池,将多个连续样本组成一个基础单元进行存储,训练时通过多步截断双Q处理实现对值函数的有效逼近,同时增加一个经验回放池采用重抽样优选机制来存储学习价值更大的样本,双经验回放池的设置可弥补样本多样性不足的问题。在OpenAI Gym平台的Walker2d-v2场景中进行仿真实验,结果表明,与对比算法相比,本文算法获得的回报值有明显改善,网络收敛速度也大大加快。     

基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.     

基于优先级经验回放的SAC强化学习算法

针对SAC(Soft Actor Critic)算法中所有样本都以等概率随机采样,造成训练速度慢,训练过程不稳定的缺点,提出了PER(Prioritized Experience Replay)-SAC算法.通过将优先级经验采样引入SAC算法,使网络优先训练值估计函数误差较大和策略表现不好的样本,从而提高了Agent训练过程的稳定性与收敛速度.实验结果表明,在多个环境及优化算法下,PER-SAC算法在训练速度及稳定性上相比于SAC算法均有明显提升.