一种基于仿真图像模板的SAR目标分类方法

在基于实测图像模板的SAR目标分类方法中,环境因素、成像参数等差异性造成了模板库存储量过大与完备性需求的矛盾.针对此问题提出一种基于仿真图像模板的SAR目标分类方法,通过减少模板库的存储量来降低实测数据的采集成本.该方法首先采用正则化方法对图像进行预处理来减少噪声,在此基础上提取目标峰值特征,然后利用几何哈希匹配算法实现目标的分类.实验中的仿真图像模板库采用RadBase软件生成,结果表明新方法对MSTAR实测数据进行目标分类的精确度较高,适应性较好.     

截齿截割载荷谱重构的正则参数优化策略

为有效提取及识别截割载荷谱特征,提高煤岩破碎效率,针对有限的镐型截齿实验载荷谱,应用Tikhonov正则化方法,分析其载荷谱在不同正则参数下的重构效果,给出载荷谱重构的最优正则参数选取策略,探讨选取不同正则参数策略对载荷谱重构的影响程度.结果表明：广义交叉法（GCV）比L-曲线准则更能够选取最优的正则参数,其重构载荷谱特征易于识别和提取,且能够反映煤岩实际破碎状态.     

自反巴拿赫空间中混合变分不等式的稳定性与Tikhonov正则化

在自反巴拿赫空间中介绍混合变分不等式的Tikhonov正则化并建立其相关理论.首先,建立Minty型混合变分不等式的解集非空有界的等价刻画.利用Minty型混合变分不等式解集非空有界的等价条件讨论映射与非线性项同时被扰动时,Minty型混合变分不等式的稳定性.基于此稳定性结果,研究Tikhonov正则化的Minty型混合变分不等式解集的特征与扰动分析.进而,获得Tikhonov正则化的广义混合变分不等式解集的特征与扰动分析.     

A Bayesian time-varying autoregressive model for improved short-term and long-term prediction

Motivated by the application to German interest rates, we propose a time-varying autoregressive model for short-term and long-term prediction of time series that exhibit a temporary nonstationary behavior but are assumed to mean revert in the long run. We use a Bayesian formulation to incorporate prior assumptions on the mean reverting process in the model and thereby regularize predictions in the far future. We use MCMC-based inference by deriving relevant full conditional distributions and employ a Metropolis-Hastings within Gibbs sampler approach to sample from the posterior (predictive) distribution. In combining data-driven short-term predictions with long-term distribution assumptions our model is competitive to the existing methods in the short horizon while yielding reasonable predictions in the long run. We apply our model to interest rate data and contrast the forecasting performance to that of a 2-Additive-Factor Gaussian model as well as to the predictions of a dynamic Nelson-Siegel model.     

基于Tikhonov正则化理论的时差定位新算法研究

提出了基于Tikhonov正则化理论的多站时差定位新方法.将基于拟最优原则的Tikhonov正则化方法应用于经过线性化处理后的定位方程组的求解,这种方法的优势之一在于它不需要任何关于噪声分布的信息.给出了有关正则解收敛性的理论结果,并介绍了正则化定位的计算方法.在计算机仿真部分,以普通最小二乘定位算法为参照,给出了在不同误差条件下两种算法的定位结果.数据结果显示,正则化定位算法的定位精度相对较高,且抗噪声干扰的能力也较强,这证明了正则化定位算法的可行性.     

基于人工加噪正则化与稀疏贝叶斯回归的核密度估计稀疏构造算法

核密度估计(Kernel Density Estimation,简称KDE)算法是当前最有效和应用最广泛的一种非参数密度估计算法,其主要缺点在于二次的算法复杂度,与训练集容量正相关的空间复杂度以及高维密度估计中的性能降低.为了加快KDE的计算速度,简化模型的复杂度,提出了一种新型的基于稀疏贝叶斯回归的快速的KDE的计算模型,该模型用经过人工加噪处理过的分布函数逼近数据作为输入数据,获得了KDE的极为稀疏的表示.在一元和二元人工数据集上的实验结果表明,该算法与传统的KDE算法相比,在保持了相当的计算精度(多数情况下降低了模型误差)的情况下,将算法执行的时空效率大幅度提高,而且该算法在小样本情况下,得到的密度估计也更为光滑. 二元人造数据集上的初步实验结果还表明通过应用数据高斯化技术得到的算法的多元扩展在一定程度上缓解了“维数灾难”.     

二维稳态导热反问题的正则化解法

构造求解二维导热反问题的数值迭代解法,并以含内热源二维导热问题为背景,采用该迭代解法确定材料热传导系数。在每个迭代步中采用Tikhonov正则化方法克服反问题固有的不适定性。数值算例表明,该方法可行、有效,不仅适用于单介质热物性参数反演问题,而且适用于多介质热物性参数反演问题。     

一种基于L曲线准则的正则化图像复原算法

针对因大气湍流而引起的模糊图像的复原问题,通过对偏差函数添加正则函数以使得要求解的方程组是适定的. 以偏差函数和正则化函数为坐标,得到复原图像关于正则化参数的参数曲线,用三次多项式拟合了该曲线的左端部分,并以该曲线的最大曲率点对应的参数为最优正则化参数. 当图像边界满足周期性条件时,利用傅里叶矩阵可以将分块循环矩阵对角化,进而利用二维离散傅里叶变化和反变换求解线性方程组而得到复原图像. 实验结果表明,当噪声方差较小时,可得到比较满意的复原结果.      

一种自适应Tikhonov正则化参数估计方法

为了解决离散线性反问题中正则化参数选择困难的问题,在Tikhonov正则化方法等效统计模型的基础上,提出了一种自适应Tikhonov正则化参数估计方法.将正则化参数选择的问题转换为关于被测信号和测量噪声的超参数的统计推断问题;基于测量噪声潜在的高斯分布特性,可在独立于测量噪声水平的条件下自适应地估计正则化参数.仿真结果表明:从最大化重建信号后验概率分布的角度来看,自适应Tikhonov正则化参数估计方法计算得到的正则化参数可视为具有随机分布特性的最佳正则化参数的近似折中,其对应的重建信号准确度接近于最优重建信号的准确度,且收敛速度较快.     

基于正则化RBF神经网络的软测量技术及其在质量预测中的应用

神经网络对噪声污染数据的过拟合是模型设计中主要考虑的问题。将Tiknonov正则化方法用于RBF神经元网络的设计,在网络学习中将正交最小二乘与前向选择相结合进行网络参数的估计,通过k均值聚类算法获得网络中心,采用L-曲线方法进行正则参数估计,并将该正则化RBF网络用于气体分馏装置产品质量的预测。仿真结果表明,该模型简单易行,并具有较快的计算速度和较好的泛化能力。