A Novel Method for Nonlinear Time Series Forecasting of Time-Delay Neural Network

Based on the idea of nonlinear prediction of phase space reconstruction, this paper presented a time delay BP neural network model, whose generalization capability was improved by Bayesian regularization. Furthermore, the model is applied to forecast the import and export trades in one industry. The results showed that the improved model has excellent generalization capabilities, which not only learned the historical curve, but efficiently predicted the trend of business. Comparing with common evaluation of forecasts, we put on a conclusion that nonlinear forecast can not only focus on data combination and precision improvement, it also can vividly reflect the nonlinear characteristic of the forecas ting system. While analyzing the forecasting precision of the model, we give a model judgment by calculating the nonlinear characteristic value of the combined serial and original serial, proved that the forecasting model can reasonably catch＇ the dynamic characteristic of the nonlinear system which produced the origin serial.     

流形正则化多核模型的模糊红外目标提取

针对模糊边缘的红外目标提取问题,提出一种基于流形正则化多核半监督分类的提取方法。首先应用最大类间方差法计算初始分割阈值,获得确定化的目标和背景区域以及待确定化的模糊边缘区域;然后建立各区域内像素点邻域空间集,并通过多核函数特征映射获得邻域空间中灰度均值和方差信息特征值,通过流形正则获得邻域空间中位置信息特征值;在特征值基础上,建立半监督分类模型对模糊边缘区域像素点邻域空间集进行类别划分;最后计算最佳分割阈值。对比实验结果表明,该方法提取模糊边缘红外目标效果好且运算效率高。     

椭圆方程初值问题的一个数值解法

讨论一类椭圆型方程初值问题的数值求解. 由于这类问题的严重不适定性, 其求解过程中必须采取适当的正则化. 利用算子谱分解的特定形式, 对问题的解进行分解, 在一个特定子空间上提出一种正则化方法, 并对Laplace方程初值问题进行数值计算. 数值结果表明该方法可行、 有效.     

Numerical simulation of tomographic-SAR imaging and object reconstruction using compressive sensing with L 1/2-norm regularization

By making use of multiple acquisitions of synthetic aperture radar （SAR） observations over the same area, tomographic-SAR （tomo-SAR） technology can achieve three-dimensional （3-D） imaging of the objects of interest. The compressive sensing （CS） approach has been applied to deal with the sparseness of the elevation signals. Due to its sparsity and convexity, the L1-norm regulariza- tion, as an approximated Lo-norm with an exact solution, has been employed in CS to reconstruct the reflectivity profile of the objects. In this paper, based on our studies on polarimetric scattering and SAR imaging simulations, we produce numerical multi-pass tomo-SAR observations of the terrain object. Then, we present the CS with novel L1/2- norm regularization to realize 3-D reconstruction. As a non-convex optimization problem, the L1/2-norm regularization is solved by an iterative algorithm. This numerical simulation of tomo-SAR imaging and 3-D reconstruction of the object modeling can be of great help for parameterized analysis of tomo-SAR imagery. As an example, a tomo-SAR image and 3-D reconstruction of the Beijing National Stadium model are presented.     

基于正则化RBF的轨道不平顺在线监测系统研究

为了得到列车行进过程中准确的轨道不平顺状态,提出了一种基于以太网的轨道平顺度车载实时动态监测系统,分析了系统的结构和检测原理,通过惯性基准法利用激光位移传感器和振动加速度传感器对轨道不平顺度数据进行采集,基于两传感器数据融合时间不同步、数据率不一致的特点,提出了利用正则化RBF （径向基函数）网络拟合的算法,该方法可以将不同传感器测得的不同采样周期的数据对准到同一时间点上,得到轨道不平顺结果。将拟合值和真实值进行比较,正则化RBF拟合和常规方法拟合的平均相对误差分别为1.9％和3.7％,均方误差分别为0.41和2.35,相比之下,正则化RBF网络拟合效果更好。结果表明该系统能够更真实的反应轨道的动态不平顺。     

基于空域正则化的模糊图像复原方法

以解决病态问题的正则化技术为基础,针对模糊图像的复原问题提出了一种新的空间域复原方法。在空间迭代运算中引入自适应的正则化参数,使其自动修正到最优,通过锐化图像进行后续处理,由此增强了原图像中重要的信息及边缘纹理部分。计算机仿真结果表明,与传统的迭代正则化方法相比,该方法的复原图像在改进信噪比数值(ISNR)和主观视觉效果上都有明显提高。     

基于RBF神经网络的双目立体视觉系统的研发

在摄像机标定的过程中,由于深度信息的丢失,摄像机镜头的畸变以及图像处理时的误差等因素影响,最终影响系统标定的准确度.本论文采用RBF神经网络的训练方法,开发出一套双目视觉系统,以匹配点在左右图像的坐标为网络的四路输入,通过网络得到三路输出,性能指标为网络的三路输出和该对应点在世界坐标系坐标差值的均方值;并根据梯度下降法来调整隐含神经元与输出神经元之间的连接权值,节点基宽参数与中心矢量,直到性能指标达到预定值,使其和激发函数共同组成具有投影矩阵功能的系统,完成双目视觉系统的标定.最后对系统进行精度分析.     

基于信噪比的正则化方法及其在GPS快速定位中的应用

本文针对GPS快速定位中设计阵病态性的特点,提出了一种新的正则化方法.该方法首先利用参数LS估计的信噪比提取了各个参数是否受到复共线性严重危害的信息,从而在一定程度上揭示了设计阵复共线性结构的特征.然后针对复共线性的特征,以信噪比为依据构造正则化矩阵,以极小化均方误差为目标选取正则化参数,提出了基于信噪比的正则化方法（SNR）.最后进行的数值试验表明,本文提出的SNR方法较好地利用了复共线性特征的信息,处理病态问题针对性更强,解算效果更佳.     

一个不适定问题的频域对称截断正则化方法

如下问题　　　　　　ut+ux=uxxu(1,t) =g(t)u(x,0 ) =0　　0≤ x<∞　 0 相似文献   

基于图形正则化低秩表示张量与亲和矩阵的多视图聚类

针对聚类中忽略局部结构、 低秩表示张量与亲和矩阵高度依赖性等问题, 提出一种基于图形正则化低秩表示张量与亲和矩阵的多视图聚类方法. 首先, 提出一个统一的框架学习多视图子空间的图正则低秩表示张量和亲和矩阵; 其次, 进一步通过基于张量核范数的张量奇异值分解分析高阶交叉视图关联性, 并利用图形正则化保留嵌入在高维空间中的局部结构; 最后, 利用约束二次规划为每个视图分配自适应权重. 在7个数据集上的实验结果证明了该方法聚类效果更好.