基于方向信息测度的非局部正则化图像去噪方法

针对非局部正则化在图像去噪过程中计算复杂度高、复原速度慢的问题,基于方向信息测度提出了改进的非局部正则化方法.在图像的边缘轮廓区域使用保边性能较好的非局部正则化方法,而在图像的平坦区域使用各向异性全变差模型,且该全变差模型由基于Bregman迭代正则化方法的快速迭代算法进行求解.实验结果表明:基于方向信息测度的非局部正则化方法在快速消除图像噪声的同时,能有效地保留图像的边缘和纹理等结构信息.     

带正则化项的时间序列聚类算法及其应用

为了更加准确地对时间序列数据进行聚类分析,运用了带正则化项的时间序列聚类方法,并实现了该聚类方法的算法.将该方法应用于云南地区水准形变数据的实际研究中,以寻找类之间状态转移与地震的关系.数值结果同时表明了带正则化项的时间序列聚类方法比标准的K-means方法更有效,更有优势.     

基于自适应流形正则化自表示的无监督特征选择算法

针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会 导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择 (AMRSR)算法。 基于自适应流形正则化自表示的无监督特征选择算法在 MRSR 算法的基础上通过对相似矩阵施 加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一 次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。 最后, 在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于 K-means 聚类并采取两种常见的聚 类评价指标:聚类精确度和归一化互信息评价聚类效果。 实验结果表明,AMRSR 算法与现有的一些算法相比有更 高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。     

算子非精确条件下确定正则化参数的一种方法

基于非标准的广义偏差原则,在算子及观测数据都有扰动的条件下,对于求解不适定问题的Tik-honov正则化方法,给出了一种选取正则化参数的简单迭代算法,并阐明了该迭代算法是一种线性模型函数算法.进一步地,利用线性模型函数方法,在一定条件下证明了所提出的选取正则化参数的简单迭代算法是收敛的,并通过数值算例验证了该方法的有效性.     

一种选取线性不适定问题正则化参数的迭代算法

考虑利用Tikhonov正则化方法求解线性不适定问题。基于吸收Morozov相容性原理,提出了一种新的选取正则化参数的迭代算法。该算法简单易实现且具有全局收敛性。给出了算法的收敛性分析,并通过数值算例说明了其数值有效性。     

图正则化的模糊局部坐标编码概念分解模型

现有的基于矩阵分解聚类模型训练过程大多需要两个独立的步骤,一是通过自身的模型对数据集进行训练获得系数矩阵,二是对得到的系数矩阵进一步使用K-means方法来获得最终的聚类结果.这种两阶段模式一方面增加了计算消耗,也会因为K-means对初始聚类中心的敏感,会对聚类效果产生一定的影响.针对此问题,本文提出了一种图正则化的模糊局部坐标编码概念分解模型.该模型通过对系数矩阵添加约束使得系数矩阵行和为1,从而避免了再次使用K-means方法进行二次训练,而直接由系数矩阵获得聚类结果.另外,由于此系数矩阵的约束.该模型实现了模糊聚类,增强了聚类结果的可解释性.本文通过对人工合成数据的测试,验证了该模型的模糊性与可解释性;同时在常用的标准数据集上,通过与现有的聚类方法相比较,同样获得了较好的聚类效果.     

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。     

基于模型函数与L-曲线的正则化参数选取方法

基于模型函数方法与修正的L-曲线准则,给出了选取正则化参数的1种迭代算法。在一定条件下,证明了所提出的选取正则化参数的算法是局部收敛的,通过数值算例验证了该方法的局部有效性。     

基于空间自适应正则化的超分辨率重建算法

针对模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率重建算法。该算法充分考虑了图像的局部特性,引入了空间自适应加权矩阵,采用全局正则化参数与局部正则化参数矩阵相结合的方法,弥补了传统正则化方法所带来的正则化误差以及噪声放大误差。实验结果表明,该算法能够有效地减少重建误差,保护图像的细节信息。     

判别正则化谱回归

谱回归(SR)算法是一种正则化的降维方法,通过学习获得回归框架下的嵌入函数,使其避免了稠密矩阵分解的问题.但是在谱回归的构图中,更加关注于类内信息,而忽视了很重要的类间信息.为此,提出一种新的降维算法——判别正则化谱回归(DRSR).它将数据集的判别信息和流行结构同时嵌入到正则项的构造中,期望使输出结果即保持同类样本间的内在邻近关系,同时又能将不同类的近邻样本尽可能分得开.最后,分析了这种算法的优缺点,并在两个常用的数据集(Yale和wine)上验证了算法的可行性及有效性.     

距离观测方程非线性平差的正则化共轭梯度法

基于稳定泛函约束思想,推导了距离观测方程非线性平差的正则化共轭梯度法.该算法将稳定泛函约束作用于共轭梯度法,解决了共轭梯度法求解病态测距定位方程的不稳定甚至不收敛的问题,提高了正则化数值算法的收敛效率,最后采用模拟数据和水下定位实测数据进行了验证.实验结果表明,该算法具有较好的收敛稳定性,收敛效率优于迭代正则化算法.     

L_(3/2)正则化图非负矩阵分解算法

基于图正则化非负矩阵分解算法(GNMF),提出一种基于凸光滑的L3/2范数正则化图非负矩阵分解算法.该算法用非负矩阵分解算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构,并对数据的低维表示特征进行凸光滑的L3/2范数稀疏性约束,在给出算法更新迭代规则的同时,从理论上证明了所给算法的收敛性.通过人脸数据库ORL、手写体数据库USPS和图像库COIL20的仿真实验表明,相对于非负矩阵分解算法及其基于稀疏表示的改进算法,所给算法均具有更高的聚类精度.     

一种稀疏图正则化的非负低秩矩阵分解算法

非负矩阵分解方法(non-negative matrix factorization,NMF)广泛应用于图像聚类、计算机视觉、信息检索等领域。但是,现有的NMF方法还存在一些不足之处：①NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;②NMF方法还存在对噪声敏感以及鲁棒性差的缺点。为了提高NMF算法的鲁棒性和可解释性,提出一种稀疏图正则化的非负低秩矩阵分解算法(sparse graph regularized non-negative low-rank matrix factorization,SGNLMF)。通过低秩约束和图正则化,SGNLMF算法同时利用了数据的几何信息和有效低秩结构;此外,SGNLMF算法还对基矩阵加以稀疏约束,使得其鲁棒性和可解释性均有一定的提升。还提出了一种求解SGNLMF的迭代算法,并从理论上分析了该求解算法的收敛性。通过在ORL和YaleB数据库上的实验结果表明SGNLMF算法的有效性。     

求解P0-函数混合互补问题的正则化光滑牛顿算法

基于扰动的CHKS光滑MCP函数,提出了求解P0-函数混合互补问题的一种正则化的光滑方法.该算法中的正则参数和光滑参数都是彼此独立的变量,并且可以通过线性方程组的迭代很快得到.数值结果表明该算法是可行有效的     

解非线性不适定问题的一种正则化方法

研究了在实Hilbert空间中,求解非线性不适定问题的方法.通过对修正的三阶牛顿法进行Tikhonov正则化,得到新的迭代格式.在适当的条件下选取正则化参数,应用广义偏差准则,得出该迭代格式是单调的且是收敛性的.结果表明,此迭代格式可应用于求解非线性不适定问题.     

基于文本挖掘的漏洞信息聚类分析

为了挖掘漏洞内在联系且高效管理漏洞信息,将文本处理和聚类算法应用于漏洞挖掘中.从漏洞库宏观角度出发,提出了一种基于文本挖掘和粒子群优化算法的漏洞信息聚类(PSO-Kmeans)算法.首先,通过文本处理,获取频词空间,用以将漏洞信息描述字段编码化;其次,为了减少局部最优和聚类中心选取不当对聚类结果的影响,利用粒子群优化算法获取全局聚类中心;最后,利用K-means算法实现漏洞信息的聚类,对漏洞信息进行分类别管理,并为预测未知漏洞特征提供参考.实验结果表明,PSO-K-means算法准确率达到90.16%,与K-means算法相比,其平均准确率提高约5%,平均迭代次数减少约45次.所提算法可预测3种未知漏洞的主要类别,是一种有效的漏洞分析方法.     

基于粒子群的三支聚类算法

针对K均值聚类(K-means)算法处理复杂问题时易陷入局部最优值、聚类质量较差等不足,提出一种基于粒子群的三支聚类算法.该算法先以随机产生的聚类中心组合作为初始粒子,构成粒子群;然后,通过调整算法中的速度公式参数,使粒子在迭代过程中能较快速地找出全局最优解,即最优的聚类中心;最后,采用三支决策的方法考察数据与类的关系,把确定归属的数据分配到类的核心域,归属不确定的数据分配到类的边界域.实验结果验证了所提算法的有效性,在寻找全局最优值和聚类结果准确性等方面算法都具有较好的性能.     

基于图形正则化低秩表示张量与亲和矩阵的多视图聚类

针对聚类中忽略局部结构、 低秩表示张量与亲和矩阵高度依赖性等问题, 提出一种基于图形正则化低秩表示张量与亲和矩阵的多视图聚类方法. 首先, 提出一个统一的框架学习多视图子空间的图正则低秩表示张量和亲和矩阵; 其次, 进一步通过基于张量核范数的张量奇异值分解分析高阶交叉视图关联性, 并利用图形正则化保留嵌入在高维空间中的局部结构; 最后, 利用约束二次规划为每个视图分配自适应权重. 在7个数据集上的实验结果证明了该方法聚类效果更好.     

大地电磁反演中改进的自适应正则化因子选取

通过建立大地电磁(MT)层状地电模型,利用共轭梯度法求解反问题,在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较,分析了各种方法的特点和使用条件.结果表明,自适应正则化算法的效果与传统的定值方法如L曲线法相近,但反演过程远比传统方法便捷.为了解决反演依赖于初始模型的局限并增强解的稳定性,基于多种自适应正则化方案的对比分析,提出了改进的自适应正则化方案,选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值,并提出相应的调整方案自动控制正则化因子衰减.模型试验表明,该方法对初始模型的依赖性低于其他几种自适应的算法,反演结果的稳定性较强,可以进一步提高正则化反演的效率.