一种在线稀疏LSSVM及其在系统建模中的应用

为了减少在线最小二乘支持向量机(LSSVM)的计算量和存储空间,提出了一种在线稀疏LSSVM.这种LSSVM利用滑动时间窗中部分时刻的样本作为训练样本集.新时刻的样本总是加入训练样本集;每次删除样本时,若滑动时间窗最前端时刻的样本在训练样本集中,则删除它,否则从训练样本集中选择留一法预测误差最小的样本删除.与现有的在线LSSVM相比,这种在线稀疏LSSVM能用较少的样本学习系统较多的特性,能提高时空效率;与现有的在线稀疏LSSVM相比,它能摆脱陈旧样本的影响,更加适应系统的时变性.系统建模仿真实验表明,该在线稀疏LSSVM能节省时间和空间,具有较高的预测精度.     

一种混合阈值剪枝的稀疏化训练图像识别算法

卷积神经网络在图像识别的应用中,有大量的冗余参数,增大了计算量,降低了网络运行速度.针对这个问题,提出了一种混合多阈值的稀疏化训练剪枝算法,通过稀疏化训练和混合全局与局部阈值的剪枝算法,压缩了神经网络的模型.通过对缩放因子L1正则化,使重要性低的通道值接近0,进行稀疏化训练,再引入全局阈值和局部阈值剪枝掉接近于零的通道并防止模型向粗粒度方向压缩,并对其进行训练微调参数,得到了混合阈值剪枝的精简模型.最后为了验证本文方法有效性,在DOTA(a large-scale dataset for object detection in aerial images)数据集中进行测试,该算法在小幅度降低图像识别精度的前提下,成功地压缩模型90％大小,加快了53％的计算速度,取得了较好的效果.     

局部和稀疏保持无监督特征选择法

利用局部保持投影和稀疏保持投影来刻画数据的本质结构,结合L_2,1范数的组稀疏性来选择特征,提出一种新的针对高维小样本数据集的无监督特征选择算法.实验表明:局部和稀疏保持无监督特征选择法是一种有效的无监督特征选择方法;平衡参数对实验结果有较大的影响.     

基于CSGAN的多模型融合蒙汉神经机器翻译研究

由于低资源语料稀少而导致的语义捕获不充分现象已成为影响机器翻译质量的主要因素.为此,该文在预处理的基础上利用CNN和门控机制来改进Transformer模型,通过对抗训练的方式来引导模型参数的优化,同时通过加入命名实体识别来提高模型对实体的翻译性能.此外,通过多模型融合的方式将来自多个机器翻译的输出经过改进、重组、合并转变为一个单一的改进的翻译结果.通过3组对比实验表明,该方法优于基准方法.     

解稀疏多项式方程组的特征值方法的建立与等价性定理

利用多项式方程组的稀疏性构作相应的特征值, 给出并证明其等价性定理.     

基于布雷格曼迭代的稀疏正则化图像复原方法

为了实现模糊噪声图像的清晰化复原,提出了一种基于布雷格曼迭代的稀疏正则化约束的图像复原算法。首先,运用差分算子,得到图像中各个方向上的梯度信息;然后,利用提取的梯度信息,得到图像边缘各个方向上的权重;并结合稀疏性原理,针对复原图像,提出了一种权重的稀疏性正则化约束;最后,运用了一种布雷格曼迭代(Bregman Iteration,BI)策略对提出的方法进行最优化求解。实验结果表明,较近几年的一些具有代表性的图像复原方法相比,不仅主观的视觉效果得到了较为明显的改进,而且客观的信噪比增量也增加了0.3~2.5 dB。     

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output, MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit, DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error, LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。     

稀疏假设下双频功率放大器的建模与预失真

提出一种简单而灵活的功放建模与预失真改进方法.该方法基于Volterra级数核系数的稀疏性假设,结合最大似然估计和最佳模型确定的信息准则,并且在选择活跃系数时结合了贪婪算法.将该技术应用于输入信号中心频率为2.61 GHz的宽带码分多址(wideband code division multiple access,WCDMA)信号和中心频率在2.69 GHz处的长期演进(long term evolution,LTE)信号的双频功率放大器预失真中,将输入信号放到欠采样双频预失真结构中,分别得到2个频带的预失真仿真测试结果.与Volterra级数和记忆多项式模型进行对比,结果表明,双频欠采样方法在预失真时减少了Volterra级数的参数,与传统Volterra预失真器相比,所提出的欠采样双频预失真器满足参考标准的频谱掩模和误差矢量幅度限制,在达到线性化补偿相同效果下,所提模型参数量减少了40％以上,减少了模型的复杂度.     

基于稀疏化LSSVM的物联网轻量级入侵检测方法

为适应物联网感知层节点计算能力弱、能量有限和存储空间不足等特点,提出基于稀疏化最小二乘支持向量机的物联网轻量级入侵检测方法,以最小二乘支持向量机作为分类器,通过改进的K均值数据稀疏和自适应剪枝的模型稀疏方法,使模型更好适应物联网苛刻的资源环境.实验测试结果表明:入侵检测模型的F1值达到0.9268,模型大小减少到81.3KB,提出的轻量级入侵检测方法能够较好地适应物联网应用场景及其安全需求.     

基于鲁棒稀疏PCA的工业异常检测

主元分析（principal component analysis, PCA）方法由于原理简单计算方便，被普遍应用于工业无监督异常检测，但具有异常值敏感且所得主元非稀疏等问题。针对传统鲁棒稀疏PCA没有从根本上解决异常值敏感问题且没有给定稀疏度的确定方式，提出了一种改进的工业异常检测方法IRSPCA（improved robust sparse PCA）。具体地，在对L1范数最大化处理以及L0范数惩罚项引入的基础上，提出了用于平衡稀疏性和方差的稀疏性准则，基于该准则开发了一种两阶段稀疏度选择策略，并利用遗传算法求得了主元稀疏度的最优解。另外，设计了基于预测误差平方和（squared prediction error, SPE）统计量的异常值剔除策略，用于增强方法的整体鲁棒性。通过数值仿真和真实烟支成品检测两个案例开展了实验验证。结果显示IRSPCA综合性能均优于传统PCA和鲁棒稀疏PCA方法，充分验证了方法的有效性和优越性。