一种基于L曲线准则的正则化图像复原算法

针对因大气湍流而引起的模糊图像的复原问题,通过对偏差函数添加正则函数以使得要求解的方程组是适定的. 以偏差函数和正则化函数为坐标,得到复原图像关于正则化参数的参数曲线,用三次多项式拟合了该曲线的左端部分,并以该曲线的最大曲率点对应的参数为最优正则化参数. 当图像边界满足周期性条件时,利用傅里叶矩阵可以将分块循环矩阵对角化,进而利用二维离散傅里叶变化和反变换求解线性方程组而得到复原图像. 实验结果表明,当噪声方差较小时,可得到比较满意的复原结果.      

基于多球域波叠加法的PNAH正则化方法的仿真研究

本文阐述了基于多球域波叠加法的局部近场声全息声场重建原理,由于基于多球域波叠加法的PNAH的声场重建是典型的反问题,测量误差的存在使得该反问题的求解具有"不适定"特性,必须进行正则化处理.在此理论的基础上,加入高斯白噪声情况下,本文运用了Tikhonov正则化和L-曲线相结合的方法进行声场重建.并通过仿真实验,证明了该方法的有效性.     

基于谱正则化算法的大数据矩阵完备化研究

矩阵完备化是基于部分观测数据来完成全部矩阵预测的问题.随着互联网技术的发展,大数据时代的来临,大数据矩阵中大多数据依然是空白的,需要补充,即大数据存在矩阵完备化的问题.本文利用谱正则化模型和算法来解决大数据的矩阵完备化问题,该方法将矩阵完备化问题整理成核范数最小二乘问题,再通过截断奇异值分解、软输入算法和硬输入算法给出了一系列正则化低秩解.最后基于实际的Netflix 大数据的实验结果证明了本文的方法.     

R^n空间中闭光滑流形上的线性奇异积分方程

本文给出了高斯奇异积分的合成和反演公式,并且证明了R~n空间中闭光滑流形上的线性奇异积分方程的有关结果。     

AN EXTRAPOLATION METHODFOR FINITE ELEMENT APPROXIMATION OF INTEGRODIFFERENTIAL EQUATIONS WITH PARAMETERS

In this paper,we discuss the accelerating convergence method for finite elementapproximation of integro-differential equations with parameters.As applications,we give theerror estimates of finite element for the first kind of Fredholm integral equation,particularlyfor the Volterra integral equation with kernel condition k(x,x)=0.     

基于L0矩阵范数正则化的自然图像去反光算法

去除图像的反光是计算机视觉和计算机图形学的一个基础研究问题。虽然各种方法已经提出,但由于存在丰富的纹理、复杂的背景、遮挡和颜色照明等,去反光的效果并不佳,有待进一步完善。本文针对自然图像的两个观察结果：(1)高光通常是小尺寸和稀疏分布的;(2)剩余的漫反射图像可以用少量基色与稀疏和低秩加权矩阵的线性组合表示,提出一种基于L0范数正则化图像去反光算法。通过L0范数正则化保证编码系数的稀疏性以及核范数保证编码系数的低秩性来恢复那些高光区域的漫反射分量。此外,根据加色混合理论和光照定义,编码系数和高光也分别受到非负性影响。通过对比相关的图像反光去除算法,实验说明了所提出的算法具有较好的优势。     

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

A Bayesian time-varying autoregressive model for improved short-term and long-term prediction

Motivated by the application to German interest rates, we propose a time-varying autoregressive model for short-term and long-term prediction of time series that exhibit a temporary nonstationary behavior but are assumed to mean revert in the long run. We use a Bayesian formulation to incorporate prior assumptions on the mean reverting process in the model and thereby regularize predictions in the far future. We use MCMC-based inference by deriving relevant full conditional distributions and employ a Metropolis-Hastings within Gibbs sampler approach to sample from the posterior (predictive) distribution. In combining data-driven short-term predictions with long-term distribution assumptions our model is competitive to the existing methods in the short horizon while yielding reasonable predictions in the long run. We apply our model to interest rate data and contrast the forecasting performance to that of a 2-Additive-Factor Gaussian model as well as to the predictions of a dynamic Nelson-Siegel model.     

确定表面热流的非标准逆热传导问题的Fourier正则化方法

考虑确定热流ux(x ,t) ,0 ≤x<1的如下非标准逆热传导问题ut+ux =uxx 0 ≤x≤∞ ,0 相似文献   

一个一维非标准逆热传导问题的Fourier正则化方法

一维非标准逆热传导问题ut ux =uxx,u(1,t) =g(t) ,u(x ,0 ) =0 ,　0≤ x <∞ ,0 相似文献