多核学习方法在分类中的应用研究

传统的核方法如支持向量机在迭代时间、推广能力和鲁棒性等方面不够理想。针对上述问题,给出了基于半无限线性规划(SILP)的多核学习算法,并将其应用在UCI机器学习数据库的二分类和多分类数据集中。该算法用列生成和块算法的方法,固定次优参数并确定工作集后求解优化问题,提高了算法的速度。实验表明,该算法的分类效果比传统支持向量机算法结果更优,具有更好的鲁棒性和普遍适用性。     

基于关系模式与深度强化学习的DS数据去噪模型

远程监督(Distant Spervision,DS)数据集中存在大量错误标注的数据,而现有的DS数据集去噪方法通常只考虑针对具有标签的数据进行去噪,没有充分利用无标签数据,导致去噪效果不佳。本文提出一种新型DS数据去噪模型——Pattern Reinforcement Learning Model (PRL模型)：首先利用基于关系模式的正样例抽取算法提取DS数据集中高质量的有标签数据;然后利用Filter-net作为分类器,提取DS数据集中高质量的无标签数据;最后将高质量的有标签数据和无标签数据作为深度强化学习(Reinforcement Learning,RL)方法的训练数据集,获得去噪效果更好的远程监督数据集。将PRL模型应用于New York Times(NYT)数据集,并以去噪后的数据集来训练PCNN+ONE、CNN+ATT、PCNN+ATT 3个模型。实验结果表明,经过PRL模型对数据集进行去噪后,这些模型的性能得以提升。因此,PRL模型是一种轻量的数据去噪模型,可以提升基于深度神经网络模型的性能。     

高分辨率去噪处理模块的去噪能力分析

针对岩土工程地震勘察资料存在的信噪比低的问题 ,对地震资料处理方法进行详细探讨 ,研制了时间域预测滤波、时间域倾角扫描迭加去噪、K -L变换去噪和频域约束下最小熵反褶积去噪高分辨率特殊处理模块 ,对理论地震模型和实际地震记录进行去噪处理 ,通过处理前后地震记录的品质分析和信噪比估计 ,详细分析各模块的去噪处理效果 ,并总结出岩土工程地震资料进行去噪处理的最佳模块和最佳流程 .     

相位匹配双阵元去噪算法的IP设计

针对目前一些去噪算法中存在预先估计噪音的问题和缺乏实用去噪算法的IP核设计,提出了双阵元相位匹配的去噪算法并给出了数学表达式及数学证明,该算法无需知道噪声的先验知识,采用阵列的方式直接求出信号。针对该算法进行了IP核的设计,给出了组成该IP核内部模块的设计,对算法整体IP核的设计进行了详细的剖析,给出了其原理图和RTL图,在整体设计完成后,对双阵元相位匹配去噪算法IP核进行了功能仿真,证明其逻辑上的合理性,通过时序仿真证明了设计使用的正确性。     

一种新型自适应嵌入式流形去噪视频运动目标分割算法

针对目前运动目标分割算法在复杂场景中适应性较差,时间复杂度较高等缺陷,提出一种新的运动目标分割算法,该算法通过自适应流形去噪实现刚性和非刚性对象的运动分割.首先,引入一种自适应核空间,如果两个特征轨迹属于同一刚性对象,则将其映射到相同点上;然后,采用一种基于自适应内核的嵌入式流形去噪算法,分割出刚性和非刚性对象的运动;最后,在多个数据集上与几种传统算法进行对比实验.实验结果表明,该算法在不同场景中均能取得更好的分割与跟踪效果.     

基于协同聚类的多核学习

针对实际应用中经常出现的异类数据源,采用多核学习的支持向量机受到关注.然而随着核函数数量的增多,计算量也随之大大增加.为了解决这一问题,该提出了一种利用协同聚类对多核支持向量机的训练数据进行简化的方法,可以减少支持向量机的数目,从而减少计算量.实验结果显示,提出的方法可以提高多核支持向量机的效率,同时还不会影响分类精度.     

基于小波阈值方法的电能质量扰动去噪分析

在小波变换的基础上。分析了硬阈值和软阈值去噪方法的不足。提出了一种新的基于小渡分解和小波重构的阈值去噪方法——软硬阈值折衷方法。谊方法将小波系数经过软硬阈值折衷法处理后。可以改善小波系数在阈值处的连续性，使重构信号不会振荡，又使变换后的重构信号与实际信号误差最小。通过仿真验证，该算法可以获得很好的去噪效果，消除扰动检测中的噪声影响，从而为噪声环境中电能质量扰动的检测和定位提供了良好的依据。     

基于小波的数字图像去噪研究

图像去噪是当前数字图象处理领域最核心的技术之一,本文结合小波变换在图像去噪方面的的优势、当前常用小波去噪方法和对小波去噪效果的分析等三个方面对基于小波的数字图像去噪进行了介绍,并对小波去噪方法未来的发展进行了分析.     

小波去噪在分类问题上的应用

分类是数据挖掘领域中一项非常重要的任务,通过含噪数据求出有效决策函数十分重要.目前已有一些具体方法对含噪数据进行选择处理,从而求解决策函数.本文针对支持向量机中的二类分类问题,以一维情形为例,给出了文献[1]不同的处理方法,即用小波技术对数据点集的分布函数去噪,并根据新的训练点集及对应的权值求得二类分类问题的决策函数.     

毫米波雷达回波信号去噪系统设计

毫米波雷达的回波信号去噪系统以DSP芯片为核心，辅以数模转换及控制部分，包括与PC机的通信，用DSP实现主要的去噪算法．由于回波信号是非平稳的，传统的傅氏变换去噪效果不好，所以采用一种小波均衡阈值法对其去噪．实验结果表明，信噪比及最小均方误差均得到改善．     

一类积分微分方程的解法

在再生核空间W22[0, 1]中讨论一类积分微分方程的求解方法,给出方程的准确解,准确解用级数形式表达,通过截断准确解的级数表达式可直接得到方程的近似解,并且近似解一致收敛于准确解;数值试验说明此方法是有效的.     

基于马尔可夫随机场和多核学习的图像分类

针对词袋模型中的聚集算法对编码矢量之间空间关系信息或者概率分布信息单独建立数学模型,将马尔可夫随机场模型中的拟合参数矢量集合视为编码矢量的聚集矢量集合,计算每个聚集矢量对应的两两图像之间的核矩阵,然后使用基于支持向量机的多核学习方法求解核矩阵的最优线性组合系数以及支持向量系数,最后使用所得训练模型对测试图像进行分类.对于15类场景数据集和Caltech 101数据集,本文算法的分类正确率达到82.67%和62.94%,与其他算法相比具有更高的平均分类正确率.     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

核PCA支持向量机算法研究

在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。仿真实验表明了该算法具有很好的分类性能,特别适合于消除噪声情形的模式识别问题。     

求解非线性Fredholm积分方程组的再生核方法

为利用再生核理论讨论非线性Fredholm积分方程组的求解问题,在再生核空间中通过构造一组标准正交基,得到Fredholm积分方程组的精确解的级数表达式,截断级数得到方程组的近似解.近似解的误差依‖·‖W12[a,b]范数意义单调递减.数值结果表明,该方法是有效的.     

一种改进的局部多核学习算法

局部多核学习算法（LMKL）是一种变系数的多核支持向量机算法,其利用选通函数局部的选取合适的合成核函数;但是其选通函数有严重的参数沉余的问题,为此提出了改进的局部多核学习算法（ILMKL）,在其目标函数中加入正则项,区别于LMKL中选通函数的l1范数形式,使用选通函数的lp范数形式,增强核函数间的“互补”作用;采用该算法在模拟数据集和UCI数据集上实验,结果表明该算法取得较高的分类能力.     

再生核空间W2^1（R）上的有界线性算子的最佳逼近问题

利用泛函分析工具和逼近的方法得到了由再生核空间W2^1（R）到连续函数空间C（R）上的有界线性算子的一些性质,进而在等度连续的条件下给出了一种最佳逼近的表达式．     

再生核空间中非线性算子方程的精确解

在再生核空间W12[a,b]中讨论一类非线性算子方程的求解方法,利用再生核函数的特殊性质和升元的方法,将其转化为二维再生核空间上线性算子方程的求解.在一定的条件下,给出了这类方程的精确解,并用数值算例验证了该算法的有效性.