一个不适定问题的正则化及误差估计

讨论了一个一维逆热传导问题，利用正则化方法得到了表面热流的近似解，在假定（未知）精确解属于Ｈ＾α（Ｒ），α≥１／２条件下，给出了阶为１／（１ｎ１／ε）＾２α的误差估计，其中ε为测量误差的Ｌ＾２界，解决了同类研究中的一个遗留问题。     

基于流形正则化的在线半监督极限学习机

在基于流形正则化的半监督极限学习机(SS-ELM)的基础上,利用分块矩阵的运算法则,提出了在线半监督极限学习机(OSS-ELM)方法.为避免在实时学习的过程中由于数据累积引起的内存不足,通过对SS-ELM的目标函数的流形正则项的近似,给出了OSS-ELM的近似算法OSSELM(buffer).在Abalone数据集上的实验显示,OSS-ELM(buffer)在线学习的累计时间与所处理的样本个数呈线性关系,同时,9个公共数据集上的实验表明,OSS-ELM(buffer)的泛化能力与SS-ELM的泛化能力的相对偏差在1%以下.这些实验结果说明,OSS-ELM(buffer)不仅解决了内存问题,还在基本保持SS-ELM泛化能力的基础上大幅度提高了在线学习速度,可以有效应用于在线半监督学习当中.     

混合正则化模型的交替迭代原理与图像恢复

由有界变差函数的半范数(TV)描述的正则项,在图像恢复过程中,对于图像的纹理部分,容易造成细节丢失;对于图像的卡通部分,容易产生阶梯效应;为克服此缺点,提出一种混合卡通-纹理正则化模型(hybrid cartoon texture regularization model,HCTRM)和交替迭代算法。首先,对受系统和噪声模糊的图像,用Kullback-Leibler函数描述拟合项;对于图像的卡通部分用分数阶TV的半范数来描述,纹理部分用紧框架域L_1范数来描述,建立HCTRM。其次,分析HCTRM解的存在性和唯一性。再次,引入辅助变量,将HCTRM转化为标准表达式,应用交替方向乘子算法(ADMM),将HCTRM分解为2个大的子问题。最后,将每个大的子问题,再分裂为2个小的容易处理的子问题,形成快速交替迭代算法。针对TV的半范数作为正则项,容易消除图像的纹理,且产生阶梯效应的缺点,提出一种HCTRM和交替迭代算法。仿真表明,能有效地恢复非平稳区域的纹理,克服在平稳区域产生的阶梯效应,取得较高的峰值信噪比和结构相似测度。     

MKLasso模型的算法与模型选择

在KLasso模型基础之上,引入多核函数与多核参数重新建立的一种更为广发的非线性的多核KLasso模型（MKLasso模型）,采用基于梯度Boosting的思想的算法进行求解,并依据人类观察事物的一个基本特征,即人眼位于数据空间较近时能够看清细节,较远时只能够看清整体结构的特性设计了一种模型选择策略,通过实际的3个数据集设计6组试验,来验证该算法的有效性。模拟试验结果表明：MKLasso模型的预测能力明显优于KLasso模型,其预测均方误差提高了10倍;该算法运行高效,抗噪声能力强,在参数选择方面又有一定自己的优势,可以直接选择核参数,算法大大降低了调试与运算时间。     

变分不等式证明正则化的线性不适定问题

学习过线性不适定问题正则化以后,发现关于Bregman距离的线性收敛率的证明,是在古典假设的一个标准原条件下推导出来的.利用变分不等式,我们将在文章中讨论一阶收敛率的情况,即残差法、偏差原则的Tikhonov正则化.     

l~2序列空间上的非凸集稀疏正则化

利用l2序列空间上独立作用于已知序列的系数的加权的非二次罚项的Tikhonov正则化的正则化性质可以推导出保证罚项的适定的充分条件,而且重点是带有稀疏约束的求解算子方程的应用。从在罚项在零点的线性增长,可以证明所有正则化解的稀疏。     

BP神经网络拟合平稳跟踪眼震信号

在前庭功能检查中,要对平稳跟踪信号进行分析,必须先对实验者的跟踪数据信号进行曲线拟合。由于BP神经网络可以实现输入和输出间的任意非线性,使得它在函数逼近上有广泛的应用。因此本文用BP神经网络对平稳跟踪信号进行曲线拟合。对网络的训练方法采用贝叶斯正则化算法。实验表明,拟合的曲线和正弦曲线基本吻合,尽可能的通过了样本点,也排除少数点的干扰。     

The lower orders of Dirichlet and random Dirichlet series

the formulas of the lower orders of Dirichlet series are given by means of the exponents and the convex regularized sequences of the logarithms and the convex regularized sequences of the logarithms of the moduli of the coefficients. Corresponding results are obtained for some random Dirichlet series. Yu Jiarong: born in Nov. 1920, Professor, Current research interest is in complex analysis Supported by the National Natural Science Foundation and the Doctoral Programme Foundation of China     

一维波动方程反问题的不适定性及正则化分析

基于一维波动方程反问题的数学模型,应用奇异值分解分析算子方程的不适定性。讨论了正则解的求解方法,并利用Tikhonov正则化方法克服反问题的不适定性。最后根据正则化参数的确定原则,采用精度高和适应性更好的遗传算法确定最优正则化参数。