非凸稀疏正则化的广义条件梯度算法

提出一种具有非凸、非光滑的α‖·‖_(l_1)-β‖·‖_(l_2)(αβ≥0)罚项的正则化泛函,并且构造了一种新的迭代算法来求解带有αl_1-βl_2约束的非线性稀疏正则化.该算法利用广义条件梯度算法,将其推广到带有非凸稀疏罚项的非线性正则化方程中,构造出一种适用于非凸稀疏正则化的软阈值算法,并给出了该算法收敛性的证明.     

利用伪速度方法压制浅海鬼波

采用基于用传统方法获取的海上单分量地震资料, 估算出同一位置速度的垂直分量(伪速度), 再与单分量压力数据联合, 达到压制鬼波的目的。将稀疏约束的反卷积方法作为鬼波压制的关键环节, 使得在浅海环境下, 由海水表面引起的检波器端上、下行波干涉产生的陷波问题得到改善, 同时低频能量得到增强, 提高了数据的分辨率。该方法可用于海上单分量压力数据的再处理, 拓宽数据的频带范围。     

核稀疏概念编码算法及在图像表示中的应用

稀疏编码算法是一种常用的图像数据表示方法.为了处理高度非线性分布的数据,文中提出了一种核稀疏概念编码算法,并应用于图像表示.该算法首先对邻域图进行谱分析,提取数据的几何流形结构信息;然后将原始特征空间数据映射到高维特征空间中,利用谱回归在高维特征空间中来计算基向量;最后在高维特征空间中对每个样本逐个进行表示.文中算法不仅能有效地处理非线性结构数据,而且只需求解一个稀疏特征值问题和两个回归问题,计算简单有效.在Yale、ORL和PIE图像库的聚类实验表明,文中算法的准确率和归一化互信息均优于其它几种对比算法.     

八种最小二乘SVM型学习算法的优势比较

我们知道,支持向量机(Support Vector Machine,SVM)型学习算法的计算复杂性和稀疏性对分析和处理大数据来说是非常重要的两个因素,尤其是对高维数据.学者们针对这两个因素做了大量的研究,提出了许多改进的SVM型算法,常见的有基于最小二乘技术的SVM型算法和孪生SVM型算法.它们当中,有些算法的出发点基本相同,但是求解方法上略有不同;有些算法有明显不同的出发点,其所构建的最优化模型也不相同.选取八个较具代表性的最小二乘SVM型算法,分析和比较它们之间的优势和劣势,以期读者更加深入的理解这类算法,且在应用于实际问题中时更具有选择性.     

基于样本稀疏化高斯过程的发酵过程软测量建模方法

提出了一种基于样本稀疏化高斯过程(GP)的发酵过程软测量建模方法。该方法将聚类和灰色关联度分析相融合，综合考虑样本点间欧式距离和各个特征向量对样本点间相似度的影响，通过剔除相似度比较大的样本点，实现训练样本集的稀疏化，降低了模型的计算复杂度。利用基于样本稀疏化的高斯过程构建青霉素发酵过程的软测量模型，同时得到青霉素浓度的预估值和表征预估值的不确定度，实验结果表明，本文所提方法与标准GP方法相比，在保证模型预测精度的前提下，减少了模型的训练时间。     

结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。     

基于贝叶斯方法的Meta-分析

本文基于贝叶斯Meta-分析给出了Jeffreys无信息先验B(1/2,1/2)时的链接分布,并将其进行推广,给出了先验分布为B(α,β)时的链接分布。     

Underdetermined DOA estimation and blind separation of non-disjoint sources in time-frequency domain based on sparse representation method

This paper deals with the blind separation of nonstation-ary sources and direction-of-arrival （DOA） estimation in the under-determined case, when there are more sources than sensors. We assume the sources to be time-frequency （TF） disjoint to a certain extent. In particular, the number of sources presented at any TF neighborhood is strictly less than that of sensors. We can identify the real number of active sources and achieve separation in any TF neighborhood by the sparse representation method. Compared with the subspace-based algorithm under the same sparseness assumption, which suffers from the extra noise effect since it can-not estimate the true number of active sources, the proposed algorithm can estimate the number of active sources and their cor-responding TF values in any TF neighborhood simultaneously. An-other contribution of this paper is a new estimation procedure for the DOA of sources in the underdetermined case, which combines the TF sparseness of sources and the clustering technique. Sim-ulation results demonstrate the validity and high performance of the proposed algorithm in both blind source separation （BSS） and DOA estimation.     

系数比例自适应算法的研究

系数比例自适应算法是利用系统的稀疏特性而发展起来的一种新的算法。这类算法为每一个滤波器系数引入一个成比例步长参数,使得成比例步长参数与滤波器系数的估计值成正比,保证了大系数获得大步长,缩短了算法的收敛时间。该文首先介绍了系数比例自适应算法的研究背景及研究现状,然后详细描述了典型的系数比例归一化最小均方(PNLMS)算法,最后重点介绍几种改进的PNLMS算法。     

基于虚拟阵元设计的稀疏基阵的水下正视声学成像

成像帧速率低、系统复杂是声学传感器基阵水下正视声学成像方法存在的主要问题.提出一种基于稀疏传感器基阵成像的方法,能提高成像速率和降低系统复杂性.该方法通过虚拟阵元技术优化设计2-D稀疏传感器基阵,并采用发射基阵同步发射编码信号和接收基阵同步接收回波信号的收发方案.仿真结果表明:与多子阵成像方法比较,该方法能够减少系统的复杂性和保证成像质量.