公共文化服务平台

搜索到9504篇“ L1正则化“的相关文章

基于L1{1}化的MODIS地表反射率数据时域重建方法: 2024年; MODIS地表反射率数据被广泛应用于陆地表面的动态监测,但云覆盖等因素的影响使得数据中存在时空缝隙,从而影响了数据可用性。对此,提出一种基于L1{1}化的时域重建方法,能有效修复MODIS地表反射率数据中的缺失,实现高精度的长时序数据重建。该方法首先识别时序数据中因自然因素及系统因素产生的噪声,然后基于噪声检测对信息缺失区域进行年际预填补,在此基础上引入对突变噪声更为稳健的L1{1}化模型,并结合噪声标记构建时域重建变分模型,还原地表的时序变化趋势。实验结果表明:相比于SG滤波、HP滤波、L1滤波、谐波分析方法,在不同百分比10%、25%、50%、75%的像元缺失情况下,该方法都取得了最高的重建精度;在不同地表场景下,该方法也取得了更好的重建结果。因此,该方法在时序曲线重建和空间细节修复上都更具有优势,表现出较高的实用价值。; 汪宇浩沈焕锋李志伟; 关键词：L1正则化变分模型

一种基于改进L1{1}化和聚类的高维数据特征选择方法: 本发明提供一种基于改进L1{1}化和聚类的高维数据特征选择方法，涉及机器学习技术领域。本发明提出了一种混合特征选择算法用于微阵列数据分析，基于K‑Means聚类算法和改进L1{1}化的思想，其中K‑Means聚类算法用于数据...; 栗伟谢维冬王林洁闵新王珊珊于鲲

联合梯度L1{1}化的最小二乘逆时偏移成像方法、系统及设备: 本发明公开一种联合梯度L1{1}化的最小二乘逆时偏移成像方法、系统及设备，涉及勘探地球物理技术领域；利用偏移算子对地震观测数据进行RTM逆时偏移，得到初始成像空间；利用反偏移算子对初始成像空间进行反偏移，得到初始模拟数据；...; 彭光帅巩向博成桥

L1{1}化和BiGRU模型的轴承状态预测研究: 2024年; 针对轴承健康状态无法直观监测以及预测问题,设计了一种L1{1}化的双向门控循环单元模型和Bray-Curtis距离共同构建的健康指标,该指标能够直观表示轴承的健康状态。首先运用L1{1}化对现阶段轴承振动数据提取有效特征作为退化特征,振动数据第一个时间窗的特征作为健康特征,然后计算轴承退化特征和健康特征之间的Bray-Curtis距离,构建轴承的HI。通过云监控平台实时监测轴承的健康状态并采用BiGRU模型预测未来的健康状态,一旦轴承的HI超过变化率阈值,平台即刻报警,实现了轴承的健康状态预测。将本模型与双向长短期记忆网络以及双向长短期记忆网络-注意力机制模型作比较,结果表明本模型的准确度为97.52%,远高于另外两种模型,且模型更加轻量化,体现出本方法的实用性。; 孙柳萌杨永杰张宁涛; 关键词：特征提取

L1{1}化的深度谱聚类算法被引量：2: 2023年; 针对深度谱聚类模型训练不稳定和泛化能力弱等问题,提出L1{1}化的深度谱聚类算法(DSCLR)。首先,在深度谱聚类的目标函数中引入L1{1}化,使深度神经网络模型生成的拉普拉斯矩阵的特征向量稀疏化,并提升模型的泛化能力;其次,通过利用参数化修正线性单元激活函数(PReLU)改进基于深度神经网络的谱聚类算法的网络结构,解决模型训练不稳定和欠拟合问题。在MNIST数据集上的实验结果表明,所提算法在聚类精度(CA)、归一化互信息(NMI)指数和调整兰德系数(ARI)这3个评价指标上,相较于深度谱聚类算法分别提升了11.85、7.75和17.19个百分点。此外,所提算法相较于深度嵌入聚类(DEC)和基于对偶自编码器网络的深度谱聚类(DSCDAN)等算法,在CA、NMI和ARI这3个评价指标上也有大幅提升。; 李文博刘波陶玲玲罗棻张航; 关键词：谱聚类 L1正则化无监督学习

基于L1{1}化反演的电压行波高精度检测方法: 2023年; 针对电压行波传感器二次侧故障行波信号不能真实反映电网一次行波波形特征的问题,提出了一种基于L1{1}化反演的电压行波高精度检测方法。首先,分析了行波传感器的非理想传变特性,揭示了一、二次行波信号的波形差异性。在此基础上,提出利用小波包变换对观测信号进行多尺度分解,并对各频段信号分别进行反演的方法,从而减小由行波传感器引起的畸变误差。其次,在反演模型中引入L1{1}化约束对模型进行稀疏性刻画,使反演结果更能体现真实故障波形特征。最后,利用快速迭代收缩阈值算法(fast iterative shrinkage-thresholding algorithm,FISTA)进行迭代求解,将各分量的反演波形线性叠加,实现故障行波信号的精确还原。仿真和实验结果表明:与直接反演相比,所提方法能够实现故障行波在时域和频域上的高精度真实测量,在微弱故障和噪声环境下也能获得较为精确的反演结果,具有一定的工程应用价值。; 李鑫瑜邓丰张振蒋素霞毕岚溪; 关键词：波形反演 L1正则化多尺度

带有 L1 {1}化问题的随机优化算法: 随着科技的进步,各行各业产生了大量的数据,这些数据携带着丰富的信息.但是社会生产生活中采集到的数据都是最原始的数据,它们具有维数高、规模大的特点,往往包含大量的冗杂信息.如何处理这些数据,从中提取出需要的信息是一个重要的...; 杜康乐; 关键词：L1正则化

L1{1}化与pinball损失函数的极限学习机被引量：2: 2023年; 极限学习机(extreme learning machine, E{1}M)由于其训练速度快、易于实现等优点,在回归领域得到了广泛的应用。然而,传统E{1}M的平方损失函数在异常值面前放大了异常值的影响,从而降低了性能。为了提高E{1}M的鲁棒性,在E{1}M中引入pinball损失函数。pinball损失函数与误差线性相关,与平方损失函数相比,可以减少异常值的影响。此外,{1}2范数{10}化对于隐藏层节点缺乏稀疏性。相比之下,{1}1范数{10}化可以改善模型的稀疏性。为了同时具有鲁棒性和稀疏性,提出了一种基于{1}1范数{10}化和pinball损失函数的E{1}M模型,通过迭代重加权算法求解相应的优化问题。为了验证模型的鲁棒性和稀疏性,在6个真实数据集上进行实验。实验结果表明,提出的{1}1-PE{1}M优于其他方法。特别是对于异常值比率较大的数据,{1}1-PE{1}M不仅对异常值不敏感,而且保持了稀疏性。; 陈聪; 关键词：极限学习机 L1正则化鲁棒性稀疏性

求解L1{1}化L2损失支持向量机问题的多层随机坐标下降算法: 2022年; 针对L1{1}化L2损失支持向量机问题,基于多层优化思想,提出一种求解该问题的多层随机坐标下降算法。该算法有如下特点:若满足粗糙条件,则将求得的粗糙模型的解用于计算精细模型的搜索方向,再利用Armijo线搜索求解步长,从而得到下一个迭代点,否则,利用随机坐标下降算法求解精细模型的下一个迭代点。数值实验结果表明,多层随机坐标下降算法求解L1{1}化L2损失支持向量机问题是有效的。; 徐宇淼徐文静胡清洁

相关作者