求解稀疏逻辑回归问题的嵌套BB算法的分裂增广拉格朗日算法

逻辑回归是经典的分类方法,广泛应用于数据挖掘、机器学习和计算机视觉.现研究带有程。模约束的逻辑回归问题.这类问题广泛用于分类问题中的特征提取,且一般是NP-难的.为了求解这类问题,提出了嵌套BB(Barzilai and Borwein)算法的分裂增广拉格朗日算法(SALM-BB).该算法在迭代中交替地求解一个无约束凸优化问题和一个带程。模约束的二次优化问题.然后借助BB算法求解无约束凸优化问题.通过简单的等价变形直接得到带程。模约束二次优化问题的精确解,并且给出了算法的收敛性定理.最后通过数值实验来测试SALM-BB算法对稀疏逻辑回归问题的计算精确性.数据来源包括真实的UCI数据和模拟数据.数值实验表明,相对于一阶算法SLEP,SALM-BB能够得到更低的平均逻辑损失和错分率.     

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。     

基于卷积神经网络和近红外光谱的太平猴魁茶产地鉴别分析

太平猴魁茶因其特有的“喉韵”深受广大消费者喜爱,不同产地太平猴魁茶市场价格相差较大,如何实现产地精准鉴别是目前促进绿茶产业发展的关键因素。依赖于人工经验的感官评审方法主观性强、稳定性差,无法应用于实际生产检测过程。作为目前主要的检测分析方法,化学分析方法周期长、检测成本高,而且目前没有用于茶叶产地鉴别的统一标准。近红外光谱（NIR）作为一种无损检测分析方法,具有快速、非破坏性、无污染等特点,但是不同产地太平猴魁茶主要内含成分及其含量基本相同,不同产地样本光谱特征峰分布相似,导致常规分析方法无法有效选择特征变量。卷积神经网络（CNN）作为经典深度学习网络模型之一,具有强特征提取和模型表达能力。采用太平猴魁茶产地光谱特征分析,利用一维卷积神经网络模型（1-D CNN）提取太平猴魁茶NIR特征,提出一种基于1-D CNN和NIR的太平猴魁茶产地鉴别分析方法。试验以6个不同产地共120个样本为研究对象,分析10 000~4 000 cm-1范围内的光谱信息;将样本随机划分为训练集（84,占70%）和测试集（36,占30%）,分别讨论不同间隔采样、网络结构、卷积核大小及激活函数对产地鉴别结果的影响,并引入Dropout方法对比分析模型过拟合现象;最终建立一个具有9层结构的1-D CNN模型。蒙特卡罗试验结果表明,相比于基于原始光谱数据（40.57%,7.06）和PCA方法（31.93%,6.96）的太平猴魁茶产地预测模型准确率和标准差,基于1-D CNN的太平猴魁茶产地鉴别模型预测精度和稳定性更高,其测试集预测准确率平均值和标准差分别为97.73%和3.47。因此,1-D CNN可有效提取太平猴魁茶不同产地NIR特征,提高太平猴魁茶产地鉴别精度,为太平猴魁茶精准产地鉴别及溯源分析提供参考。     

基于多层次特征的跨场景服装检索

针对跨场景服装检索如何提取更有表述力的服装特征问题,提出了一种新的基于高层公共特征约束的相似性度量算法。首先,通过类别空间学习提取不同场景域的类别信息;然后,在场景域空间网络用类别信息约束传统对比损失函数,增大对类间负样本对的惩罚以减轻过拟合;最后,融合类别公共特征和域特定特征并通过类别判断进行辅助检索。分析和实验结果表明,新算法对跨场景服装检索的准确度要优于当前前沿的方法。     

基于非线性预测效果的癫痫脑电信号的特征提取方法

在非线性时间序列预测研究的基础上,提出了基于非线性预测效果的癫痫脑电信号特征提取方法,从脑电信号中自动检测出癫痫脑电信号.采用基于可预测性的选取嵌入维数的方法确定脑电信号序列的嵌入维数,进行相空间重构.实验结果表明:基于非线性预测效果的特征提取方法提取的特征能明显地区分癫痫脑电信号与正常脑电信号,该非线性特征提取方法适合小数据量的情况且对噪声的稳定性好.     

小波变换特征提取的复合材料损伤检测

论述了小波变换及其快速算法，基于小波变换的波形模量极大点来构造全局的相似性度量，并将此应用于复合材料损伤类型的检测     

低信噪比下基于多元变分模态分解的水下蛙人特征提取

为提高低信噪比下对蛙人辐射噪声的提取能力,提出了一种矢量多通道信号的水下蛙人辐射噪声特征提取方法。首先针对矢量多通道信号使用多元变分模态分解,得到固有模态函数。然后选取能量最高的模态函数组作为研究对象,计算该模态函数组互谱后的加权排列熵。最后提取加权排列熵频谱的蛙人特征量。海试结果表明,本方法可在无需先验信息情况下,提取由矢量水听器采集的蛙人信号特征,在检测率为80%的情况下抗噪能力较传统算法提升了10 dB。     

基于离散Morse理论的散乱点云特征提取

为了有效提取散乱点云上的特征点,针对现有点云特征提取算法采用全局统一的特征度量阈值易造成特征误判、漏判及需要多次人工调参的问题,基于离散Morse理论,提出一种自适应的特征提取算法。首先,采用基于局部邻域的协方差分析计算每个数据点的特征度量,标定潜在特征点。然后将潜在特征点与其邻域点在主方向上所形成的夹角平均值作为局部特征检测算子,利用该算子计算该点的离散梯度;最后,构建每个潜在特征点局部邻域内的Voronoi图,利用线性插值法计算离散点所在泰森多边形所有顶点的梯度构建离散梯度向量域,将离散梯度向量域中的梯度极值点判定为特征点。为提高算法的稳健性和抗噪能力,将离散梯度计算扩展到多尺度上,将邻域大小作为离散的尺度参数,多尺度地对一点进行判定。实验结果表明,该方法简单、稳健性好,不依赖于特征的尖锐程度,能在有效提取较尖锐特征的同时,尽可能多地保留较平滑特征。当噪声为0.03 dB时,可以有效地提取点云特征,而当噪声为0.05 dB时,尽管存在个别特征点消失的情况,但整体上显著特征点能够得到较好地提取,效果令人满意。     

大鼠胰腺及癌组织红外光谱连续小波特征提取及径向基人工神经网络识别

采用水平衰减全反射(HATR)傅里叶变换红外光谱法(FTIR)测定了SD大鼠胰腺正常组织与非正常组织的谱图,提出了一种新的基于FTIR的连续小波特征提取与径向基人工神经网络分类方法以提高FTIR对早期SD大鼠胰腺癌的诊断准确率。利用连续小波多分辨率分析法提取FTIR特征量,对于提取的特征量采用径向基函数神经网络进行模式分类。对SD大鼠的胰腺正常组织、早期癌组织及进展期癌组织的FTIR,利用连续小波多分辨率分析法提取9个特征量,进行RBF神经网络分类判断。当目标误差为0.01,径向基函数的分布常数为5时,网络达到最优化,总的正确识别率为96.67%。并对影响分类结果的网络参数、目标误差和分布常数对分类样品的影响做了讨论。实验结果表明:此方法对早期胰腺癌具有较高的诊断率。     

移动通信中的无线信道指纹特征建模

为了探索无线信道的传播特征并建立相应的无线信道模型,针对无线信道的"指纹"特征建模及场景识别问题,提出基于无迹卡尔曼神经网络的信道建模方法.首先采用霍特林变换对信道传播数据进行预处理,实现数据从复数域到实数域的转换,然后利用主元分析对数据进行降维,得到降维数据后,采用无迹卡尔曼神经网络进行无线信道"指纹"特征建模,最后根据模型的输出值建立无线信道的评价指标,对测量的信道数据进行场景划分以及场景识别.仿真结果表明:无迹卡尔曼神经网络所建信道模型可准确对无线信道进行类别划分和场景识别.