基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题，讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理，提出了一种简化算法．针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足，简化算法不需计算梯度，而是利用固定的迭代步长来实现核函数一个参数的优化．依据简化算法实现了二分类故障分类器的参数优化，并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中．测试结果表明，通过参数优化可提高故障分类器的分类能力．     

一种新的求解变分不等式问题的外梯度投影算法

给出了一种新的求解变分不等式问题的外梯度投影算法．在较弱的条件下证明了算法的全局收敛性，并分析了算法的线性收敛速度。     

结合纹理特征和深度学习的行人检测算法

针对行人检测算法中存在特征鲁棒性差及分类器拟合非线性数据能力弱等问题,提出一种基于纹理特征和深度学习分类算法的行人检测方法.提出一种改进的GSRLBP纹理特征提取算法,提取行人图像的局部纹理特征,通过获取像素点的梯度信息结合GSRLBP算法消除微小扰动对行人特征提取的影响,进一步增强特征提取的鲁棒性.搭建基于深信度网络的深度学习行人样本分类器,利用多层受限波兹曼机搭建分类器输入端和中间层,将行人纹理特征信息逐层转化和传递,实现特征数据的自学习,利用BP神经网络搭建分类器的输出端,实现分类器结构的自优化.研究结果表明,该算法可行、有效,且性能优于经典浅层机器学习行人检测算法.     

H.264中全零块检测的线性分类器算法

针对H.264视频编码中传统全零块检测方法检测率较低的问题,提出了一种全零块检测的线性分类器算法.根据编码特性选择5个变量作为全零块检测的特征,基于参考块的全零块情况,设计了2个不同的线性分类器来区分全零块和非全零块,然     

线性约束优化问题一种简约梯度算法

对线性约束优化问题给出一种简约梯度算法，并证明其收敛性．     

基于不动点方程的非负矩阵分解算法

从线性互补问题出发,通过非负矩阵分解问题与线性互补问题的关系,分别提出不动点方程的最速下降算法与最小梯度算法,证明了这两种算法的收敛性,并进行了数值实验.     

一种新线性搜索下的杂交共轭梯度法

将HS算法和DY算法结合起来,给出了一种求解无约束问题的杂交共轭梯度算法.在新的非精确线性搜索下,不需给定下降条件,证明了算法具有全局收敛性.     

一种求解非线性互补问题的外梯度-Filter方法

结合 Josephy-Newton方法,建立了一种不含价值函数的求解非线性互补问题的全局策略.该策略基于外梯度步和Filter技术,提出一个外梯度-Filter算法.此算法中的外梯度步可以减少与最优解之间的距离,从而使该算法具有全局收敛性.在适当的条件下,该算法还具有超线性收敛性.     

H.264中全零块检测的线性分类器算法

针对H.264视频编码中传统全零块检测方法检测率较低的问题,提出了一种全零块检测的线性分类器算法.根据编码特性选择5个变量作为全零块检测的特征,基于参考块的全零块情况,设计了2个不同的线性分类器来区分全零块和非全零块,然后选取代表不同运动程度的视频样本,利用Fisher准则训练得到2个分类器的权系数和不同量化参数下全零块检测的阈值,最后用最小二乘原理将各个量化参数下的阈值拟合成量化参数的二次多项式,从而得到最终的全零块检测的线性分类器.实验结果表明,新算法在基本不降低视频质量的同时,能获得比其他现有算法更好的检测率,并且有效地缩短了编码时间.     

Wolfe线性搜索下的超记忆梯度法及其收敛性

研究无约束优化问题,给出了一种新的超记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率.数值试验表明新算法是有效的.     

采用HOG特征和机器学习的行人检测方法

针对基于方向梯度直方图(HOG)/线性支持向量机(SVM)算法的行人检测方法中存在检测速度慢的问题,提出一种将HOG特征与Adaboost-BP模型相结合的行人检测方法.利用边缘检测技术快速检测出行人候选区域,提取出多尺度多方向的HOG特征,利用Adaboost算法训练多个反向传播神经网络用于构建强分类器,实现对测试样本图像的检测识别.结果表明:文中方法具有更高的检测率、更低的误报率和漏检率,具有较好的检测效果.     

一种新线性搜索下混合HS—DY共轭梯度法的伞局收敛性

在HS方法和DY方法的基础上,给出了一种求解无约束问题的混合共轭梯度算法．在新的非精确线性搜索下,不需给定下降条件,证明了算法的全局收敛性．     

一种新线性搜索下混合HS-DY共轭梯度法的全局收敛性

在HS方法和DY方法的基础上,给出了一种求解无约束问题的混合共轭梯度算法.在新的非精确线性搜索下,不需给定下降条件,证明了算法的全局收敛性.     

由生成函数构成的梯度投影法

本文利用生成函数给出了一个解带线性约束非线性规划问题的梯度投影算法模型,统一处理了一类梯度投影算法的收敛性问题。当生成函数取某种特殊形式时,则得到一类具体的梯度投影算法。     

求解极小极大问题的一个新算法

提出一种新的求解极小极大问题的方法,在没有积极约束梯度线性独立的条件下,证明了算法的全局收敛性.     

改进的TAN构造算法及其文本分类

朴素贝叶斯分类器是当前流行的一种文本分类算法，但是它的属性独立性假设使其无法表达文本词语之间的依赖关系，TAN(Tree Augmented NaIeve Bayes)在许多情况下优于朴素贝叶斯分类器。然而，由于学习TAN所需的空间是数据属性个数的二次项级，限制了TAN对高维数据(如：文本数据)的分类，本文介绍了TAN模型及其一般的构造算法，提出一种新的TAN构造算法ITAN，该算法的空间复杂度是数据属性个数的线性级，最后将该算法用于文本分类，实验比较了朴素贝叶斯分类器和TAN分类器，实验结果表明：该方法具有较好的分类性能。     

一种低功耗架构下毫米波信道估计算法研究

针对低分辨率模数转换器量化误差大、信道估计准确性低等问题,提出一种两阶段信道估计算法。利用量化过程构造优化问题,采用梯度下降算法估计支撑集;根据估计的支撑集将信道估计问题降维;采用最大化期望算法降低量化误差并估计信道复增益。仿真结果表明,提出的算法比目前最先进的对比算法性能提高了6 dB,且时间复杂度由对数线性数量级降为线性数量级。     

基于遗传算法的非线性模式识别

文章设计了一种人工神经网络模型结构,以一种遗传算法进行该模型参数的组合优化建模,将其用于非线性模式识别.该方法不仅对线性问题有效,对非线性问题同样有效;该法简洁易行,优于多段线性分类器设计方法与BP误差回传网络算法.实例表明,遗传算法仅繁殖40代就能达到理想结果,其识别率达100%.     

应用非线性加权的集成学习软件缺陷序列预测算法

针对当前软件缺陷序列预测算法准确度不高的问题,提出了基于非线性加权的集成学习软件缺陷序列预测算法(NLWEPrediction)。该算法在常见线性集成预测算法的基础上增加了非线性回归项,回归项代表了集成预测算法中基预测算法之间的相互关系,修正了线性集成预测的偏差,并通过梯度下降法求解了模型中的参数。实验表明:NLWEPrediction在14个软件缺陷数据集上的均方误差均小于250,并且平均绝对误差均小于13。通过与基预测算法、集成预测Bagging、Stacking算法和只考虑两个分类器关系的非线性加权集成学习算法进行对比,可以看出,NLWEPrediction预测算法的均方误差和平均绝对误差显著减小,预测精度显著提高,说明在线性集成预测算法基础上增加非线性回归项,能够有效提高集成学习算法的分类效果。     

一种新线性搜索下的共轭梯度法

文章给出了一种新的非精确线性搜索下的共轭梯度法,说明了在新线性搜索下每次迭代能够产生下降方向.证明了新线搜索下FR共轭梯度算法的全局收敛性.