基于融合先验知识SVM的航班延误预警模型

针对日益严重的航班延误问题,有必要通过预警机制减少其负面影响,对机场各时段延误程度的预警其实质是一个多类分类问题.利用先验知识确定了一种新的基于相对紧密度的方法来计算各样本的权值,并将其融合到支持向量机模型中,进而结合一对一法(OAO)形成一种一对一加权间隔支持向量机(OAO-WMSVM),用以实现一个多级航班延误预警模型.实验证明,用OAO-WMSVM建立的预警模型能有效判定机场各时段的延误等级;同时还证明,融合了先验知识的SVM比标准SVM具有更好的分类性能.     

一类具低阶项的非线性退化椭圆方程解的存在性

研究了一类具低阶项的非线性退化椭圆方程,其中低阶项相对于梯度u的增长条件为次p次增长,而且随着解u变大,此类方程的微分主算子可能是非强制的。为克服上述困难,利用先验估计方法和逼近理论,证明了问题解的存在性与正则性。     

基于深度自编码器的终端区异常航迹识别方法及其在航迹聚类中的应用（英文）

异常航迹识别与交通流分类对复杂空域的安全与效率分析是重要的。一些研究人员使用基于密度的无监督聚类算法提取空域中这两种与管制行为相关的航迹数据。然而,数据质量问题和交通流之间的微小密度差异是这项工作的两个主要难点。为了解决这两个问题,本文提出一种结合稳健自编码器模型(Robust deep auto?en?coder,RDAE)和密度峰值(Density peak,DP)聚类算法的框架。具体地,通过不同的正则化优化方式使得RDAE模型分别用来重构去噪航迹与异常航迹检测。然后,RDAE模型的Encoder输出的非线性降维向量作为DP聚类算法的输入以分类空域中全局的交通流。在含有标签的广州白云机场数据集上的实验表明,所提算法能够自动地捕捉到空域内飞机运动的非常规时空交通模式。RDAE在异常航迹检测以及所提框架在交通流分类上的优越性均通过可视化与定量的结果评估分析。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

黑体辐射反问题的正则化Lanczos方法

黑体辐射反问题就是利用测量的黑体辐射能量谱确定黑体的区域温度分布.本文将该问题离散化为欠定线性不适定问题,提出求解欠定线性不适定问题的正则化Lanczos方法.该方法基于Lanczos双对角化过程,用一系列小型线性方程组逼近原不适定问题,应用截断SVD正则化方法使迭代稳定化,并用L-曲线确定相应的正则化参数.数值结果说明了新方法的有效性,并说明了在观测数据出现误差的情况下新方法也能有效地重构区域温度分布.     

基于波叠加方法的可视化声源识别

介绍了一种基于波叠加方法的可视化声源识别技术。应用波叠加基本理论,采用Burton-Miller型组合层势法或复数失径方法克服解的非惟一性问题,并通过Tikhonov正则化方法求解这一反问题。对两脉动球声源和两摆动球声源进行数值仿真,并与解析解进行对比,仿真结果可以很好地识别出两声源的位置。另外,稳健性分析结果表明该方法具有较好的稳健性。最后,通过实验进一步验证了波叠加方法用于声源识别的可行性。     

用正则化方法快速求解中长基线网络RTK模糊度

提出了采用选权拟和的正则化新方法，利用参考站坐标准确已知的条件作为约束，设计出正则化矩阵，使法矩阵的病态性得到了改善，只用几个历元的数据求解，能较准确得到模糊度的浮点解，在此基础上结合LAMBDA方法可以快速地确定整周模糊度。以4条中长基线的实测数据为例，新方法用3个历元的单频L1数据就能求解出整周模糊度，且成功率为100％。与现有方法相比，新方法可采用单频GPS数据实现中长基线GPS网络RTK的整数模糊度快速解算。     

某类四阶非对称微分算子的正则性

本文处理如下四阶非对称微分算子A_λ,A_λ:K(i,j)→A_λK(i,j)的正则性。对于对称微分算子的传统处理,是利用紧算子的重要性质与E.C.Tichmarsh的函数论方法。对于非对称算子,类似的方法会遇到若干麻烦。然而当采用先验估计法,特别利用Opial不等式与内插不等式后,则能比较容易地得到A_λ的范数下界估计及一系列的正则性结果。     

一类退化型非线性椭圆方程有界弱解的存在唯一性

针对一类带有低正则值的退化型非线性椭圆方程,通过选取适当的试验函数,结合主部算子的单调性性质证明了有界解的唯一性;在解的存在性方面,首先针对外立项为本性有界函数的情形,给出有界弱解的存在性;进而利用这一结果及适当的光滑逼近和紧性定理给出了原方程有界弱解的存在性。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点，提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识，通过无监督学习的方式，计算未标记数据与少量有标记数据之间相似度，从而对少数类样本进行扩充。利用构造后的数据集进行模型训练，从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题，在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法，该方法虽然在准确率上低于传统方法，但是在召回率与F₁值的表现上超越传统方法。     

Arnoldi Projection Fractional Tikhonov for Large Scale Ill-Posed Problems

It is well known that Tikhonov regularization in standard form may determine approximate solutions that are too smooth for ill-posed problems,so fractional Tikhonov methods have been introduced to remedy this shortcoming.And Tikhonov regularization for large-scale linear ill-posed problems is commonly implemented by determining apartial Arnoldi decomposition of the given matrix.In this paper,we propose a new method to compute an approximate solution of large scale linear discrete ill-posed problems which applies projection fractional Tikhonov regularization in Krylov subspace via Arnoldi process.The projection fractional Tikhonov regularization combines the fractional matrices and orthogonal projection operators.A suitable value of the regularization parameter is determined by the discrepancy principle.Numerical examples with application to image restoration are carried out to examine that the performance of the method.     

基于变换空间近邻图的自助型局部保持投影

局部保持投影(LPP)是一种典型的降维方法,通过保持数据的内在几何结构,LPP能够获得潜在的判别能力.然而,传统LPP的性能取决于人工预定义的近邻图,并且严重依赖于最近邻标准在原始数据空间中的性能.因此本文提出了一种新的降维算法--自助型局部保持投影(sdLPP).该方法首先执行LPP获得投影方向,然后在其变换的空间更新近邻图,并重复LPP.另外,本文还提出了一种改进的拉普拉斯打分(Laplacian score)标准作为算法迭代终止和判别力的参考.最后,在几个公共的UCI和人脸数据集上验证了该方法的有效性.     

双重稀疏保持投影(英文)

稀疏保持投影(Sparsity preserving projection,SPP)是一种新型的基于图的降维方法,近年来被成功应用于人脸识别。SPP基于数据的稀疏重建关系建图,从而包含自然的判别信息。然而,经SPP变换后,新的特征是所有原始特征的线性组合,因此很难解释其降维结果。为此,提出了一种新的降维方法——双重稀疏保持投影(Dual-sparsity preserving projection,DSPP),通过进一步对SPP的投影方向施加稀疏约束,希望获得投影方向的稀疏解。具体地,该方法把SPP中投影函数的计算转化为一个回归类优化问题,然后借助L1正则化回归技术获得稀疏投影向量。在人脸数据上的实验结果表明了该算法的有效性。     

多学科设计优化的低自由度协同优化方法

为了解决协同优化(CO)方法计算量过大的问题,提出了低自由度协同优化方法(Low degree-of-freedom collaborative optimization,LDFCO)。LDFCO的系统级优化通过调整共享设计变量和辅助设计变量,使系统目标最优,且满足一致性约束条件。子系统优化通过调整局部设计变量,使子系统目标最优,并满足局部约束条件。子系统目标有两种形式:最小化本子系统的一致性约束函数和直接与系统目标有关的状态变量的加权和,或最小化一种不同于前者的一致性约束函数。通过3个算例检验了LDFCO的效率,结果表明LDFCO方法的计算量比CO方法大大减少。     

基于支持向量机和线性判别分析的维数约减方法及其应用

目前已提出的一些基于支持向量机的维数约减方法,但其投影矩阵的获得仅考虑支持向量机的类间间隔,而忽略了数据中的类内信息。本文首次提出了一种基于支持向量机和线性判别分析的维数约减方法,称之为DRSL。DRSL实现了类问和类内信息的有效组合,能有效拟合数据中类间和类内结构,使得所获投影矩阵能够提高后续分类器的推广能力。实验验证了该方法的有效性。     

励磁变换器控制的定子双绕组感应发电机优化设计

针对新型励磁变换器控制的定子双绕组感应发电机控制绕组励磁变换器容量的最小化问题，总结了带整流型负载的感应发电机的设计特点，给出了其变速运行时功率绕组励磁电容的优化方法，讨论了带整流型负载发电机计算容量的确定原则。本文还提出了将改进实数编码的遗传算法与二维有限元电磁场分析相结合的方法应用于变速运行的双绕组感应发电机的优化设计中，以实现全局优化，提高优化效率。样机优化结果表明，在转速变比为1：3时，该方法能使励磁变换器的容量减小到额定输出功率的1／3左右，从而减小了变换器的体积和重量。     

利用温度测量结果反演三维热传导问题中热源项的算法研究

利用表面温度测量来反演热传导问题中的热源项是一类典型的热传导逆问题,在采用有限体积法对三维稳态热传导问题进行数值求解的基础上,将该热传导逆问题转化为优化问题,基于灵敏度分析建立了反演算法.采用该算法对一典型算例的计算结果表明:建立的算法是有效的,具有较好的抗噪性能.此外,对反演算法中计算收敛准则的选取进行了较深入的分析,结果表明,由于热传导逆问题的不适定性,优化过程中目标函数值越小并不意味着反演结果与真值更为接近,可以通过设定合适的收敛准则来模拟正则化项的作用,克服不适定性的影响.