导读:本文包含了正则化理论论文开题报告文献综述及选题提纲参考文献，主要关键词:地震反演,稀疏性,L_1正则化,L_(1,2)正则化理论
正则化理论论文文献综述
康治梁,张雪冰[1]（2019）在《基于L_(1/2)正则化理论的地震稀疏反褶积》一文中研究指出地震反褶积是一种重要的压缩地震子波、提高薄层纵向分辨率的地震数据处理方法。在层状地层的假设下,反射系数可视作稀疏的脉冲序列,所以地震反褶积可以描述为一个稀疏求解问题,L_1正则化被广泛用于解决稀疏问题,但近年来一些文献证明L_1正则化的稀疏表达能力不是最优的。针对这一问题,基于快速发展的L_(1/2)正则化理论,提出将L_(1/2)正则化作为反射系数的稀疏约束进行地震反褶积处理,并使用其特定的阈值迭代算法进行求解,对单道模型的测试证实了该方法对正则化参数和噪声有较好的适应能力。简单二维模型和Marmousi2模型数据的测试结果表明,基于该方法的反演结果能较好地拟合反射系数振幅,并且对噪声干扰的鲁棒性更强,能够更好地保护弱反射系数。实际数据应用结果表明,该方法能有效消除子波影响,较好地分辨出薄层结构和透镜体结构,为地震数据高分辨处理提供了有力工具。(本文来源于《石油物探》期刊2019年06期）
张繁昌,兰南英,张珩[2]（2019）在《基于光滑L_(1/2)正则化理论的地震数据重建》一文中研究指出L_(1/2)正则化比L_1正则化有更稀疏的解,比L_0正则化更易求解.本文将L_(1/2)正则化引入到地震数据重建过程,提出了一种基于光滑L_(1/2)正则化的地震数据重建方法.首先建立L_(1/2)正则化地震数据重建模型,并利用光滑渐近函数逼近L_(1/2)正则项,克服了L_(1/2)正则化求解过程中的数值振荡问题;之后根据光滑L_(1/2)正则化理论改进了字典学习算法,提高了冗余字典的训练效率;最后利用训练的冗余字典和半阈值迭代算法对地震数据进行恢复重建.对具有232道、每道751个采样点的地震炮集数据应用结果表明,与基于L_1正则化的K-SVD重建方法相比,本方法重建结果的信噪比提高3.3 dB.在计算效率方面,本方法字典训练耗时仅为L_1正则化K-SVD的1/3,重建耗时仅为L_1正则化K-SVD一半的时间.(本文来源于《中国矿业大学学报》期刊2019年05期）
吴阳[3]（2019）在《基于正则化理论的运动平台雷达超分辨成像方法研究》一文中研究指出雷达超分辨成像方法是实现机载雷达前视成像的重要途径,在飞机自主着陆、物资空投、地形回避以及对地攻击等应用中存在迫切需求。雷达测量矩阵非满秩特性导致前视成像过程对噪声敏感,运动过程产生的多普勒相位会对卷积反演产生影响,造成成像误差。因此,需要分析研究上述问题,探索新的方法,实现低信噪比环境下、高速运动情况下雷达前视超分辨成像。本论文针对低信噪比、高速运动情况下超分辨成像过程中存在的问题,分析雷达前视回波特性,建立前视回波模型,提出基于截断奇异值理论的稀疏目标成像方法及基于正则化理论的复反卷积成像方法,主要内容如下:1.根据雷达前视扫描过程,分析运动平台与目标的几何关系,建立雷达天线方向图与目标散射系数卷积的前视回波模型,为超分辨成像方法奠定基础。2.研究不同边缘场景下的测量矩阵构造形式,并利用奇异值分解理论,分析卷积反演过程中对噪声敏感的原因,为上述问题的解决提供了思路。3.提出基于截断奇异值理论的稀疏目标成像方法,提高强点目标在低信噪比环境下的成像性能,避免虚假目标出现。方法先利用截断奇异值分解理论,去除产生噪声敏感的因素,再通过正则化理论,添加目标先验信息,最终实现低信噪比环境下稀疏目标超分辨成像。4.提出基于正则化理论的复反卷积成像方法,分析运动产生多普勒相位对卷积反演产生的影响,推导速度边界表达式,给出高、低速参考界限;基于分析结果,将天线方向图和多普勒相位结合,构造复测量矩阵,建立相应的目标函数,同时利用幅度和相位信息完成卷积反演,实现高速运动平台下的雷达前视超分辨成像。以上所述模型及方法,通过仿真试验及外场试验的验证,能够提高低信噪比环境下、平台高速运动下雷达前视成像的性能,实现雷达前视超分辨成像。(本文来源于《电子科技大学》期刊2019-04-01）
徐宗本,吴一戎,张冰尘,王尧[4]（2018）在《基于L_(1/2)正则化理论的稀疏雷达成像》一文中研究指出稀疏雷达成像旨在远低于奈奎斯特率采样下对稀疏场景实施高分辨率微波成像.本文概述作者在解决这一问题上的系统探索与创新实践.核心贡献包括:提出L_(1/2)正则化理论作为新的稀疏雷达成像理论,提出不直接基于雷达观测而基于雷达回波模拟算子重构的稀疏雷达成像新模型,提出以3D相变图分析为依据的稀疏雷达成像系统设计方法等.根据新的理论、模型和设计方法,研制了首部稀疏雷达原理样机并开展了机载实验.实验验证了所提新理论、新模型与新方法的正确性和可行性,展示广阔应用前景.(本文来源于《科学通报》期刊2018年14期）
廖振松,谭晖,王冼,陈明城[5]（2017）在《基于流形正则化理论的用户满意度排序研究》一文中研究指出通过对用户使用的业务数据进行处理分析,从业务技术指标、业务服务能力、业务交互性、业务使用价格等摘要多个维度进行大数据分析,训练用户使用业务收益模型,使用进化博弈理论从用户使用业务动力角度描述用户使用业务行为,对用户使用新业务行为进行预测。(本文来源于《电信技术》期刊2017年02期）
赵光伟[6]（2014）在《l_q稀疏正则化理论及其在热传导反问题中的应用》一文中研究指出lq(0<q≤1)稀疏正则化在实际应用领域已经得到了广泛的应用。在信号处理领域,简单的迭代算法能够得到满意的重构结果,但是,针对较为复杂的偏微分方程反演问题,利用这些算法进行反演往往很难达到最佳的重构效果。将已有的迭代算法进行改进,并将其应用到热传导反演问题中,通过和标准的吉洪诺夫正则化方法进行比较,说明lq稀疏正则化方法和改进的迭代算法的优点。(本文来源于《黑龙江大学自然科学学报》期刊2014年06期）
蔡苗苗[7]（2014）在《基于稀疏正则化理论的超分辨率图像重建算法研究》一文中研究指出本文研究了超分辨率图像重建的相关算法.超分辨率图像重建旨在用一幅或多幅同一场景下的降质低分辨率图像来重建高分辨率图像.其任务是实现图像降质过程的逆过程,即基于高分辨率图像到低分辨率图像的生成模型的假设或先验知识,并融合低分辨率图像信息实现高分辨率图像的重构.但一般而言,从高分辨率图像到低分辨率图像的生成过程中有许多信息丢失,因此,这一重构问题是欠定问题且问题的解是不唯一的.基于上述问题,本文就基于插值和学习方法的超分辨率重建算法展开了研究和讨论.主要包括基于稀疏表示超分辨图像重建算法的研究与改进以及基于矩阵填充超分辨率图像重建算法的研究与改进.具体内容如下:1.对基于稀疏表示的超分辨率图像重建方法中低分辨图像块在字典下的稀疏表示系数的求解模型进行了改进.我们提出了一种基于p(0<p <1)范数的优化模型.由于使用p(0<p <1)范数比1范数能用更少的测量得到更稀疏的解.同时对于不同的输入图像块,范数p和正则化参数λ的选择直接影响着最终的重构效果,因此,我们提出了针对不同的图像块局部自适应地选择参数p和λ的值的方法.实验结果表明,提出的基于p(0<p <1)正则化的超分辨率图像重建算法比1范数凸优化模型和传统的方法能取的较好的效果.2.针对基于稀疏表示超分辨率图像重建算法运算复杂度较大的问题,本文提出了利用2范数正则化的协同表示和局部几何相似约束模型求解低分辨率图像在字典下的线性表示系数的方法.所提出的基于2范数的系数求解模型可以得到解析解而不涉及局部最小解,且较1稀疏性约束有较低的复杂度.实验结果表明:对于小尺寸超分辨率图像重建问题,所提出的算法是可行和有效的,在放大因子增大和存在噪声的情况下,所提出的算法较之以往传统算法重构效果也有显着提高.3.当降质过程中模糊核为Dirac delta函数的情况,即低分辨率图像是直接从高分辨率图像降采样得到,超分辨率问题变成了插值问题.我们提出了一种用低秩矩阵填充和恢复方法重建高分辨率图像的算法.用图像中相邻像素的线性关系构造增广矩阵,并利用增广矩阵的低秩性质隐式地确定线性模型的阶.此外,我们提出的基于低秩矩阵恢复的超分辨率图像重构算法对含噪声和随机扰动的图像具有较好的鲁棒性.实验结果表明我们的算法比传统算法能有较好的实验效果.(本文来源于《中国计量学院》期刊2014-06-01）
朱雅娟[8]（2014）在《正则化理论应用于基因网络逆向工程的研究》一文中研究指出DNA微阵列是一项新技术,它随着“人类基因组计划”的发展而发展起来。高密度的DNA微阵列包含成千上万个cDNA片段,可被用于高通量的生物学检测,其数据处理和信息挖掘等功能研究是近年来研究的焦点。借助于一些统计方法先对基因聚类,初步筛选基因表达谱数据,再进行基因相互作用网络的研究(即逆向工程),已成为系统生物学领域的重要研究内容。预测基因调控网络的方法主要分为两步：首先使用聚类方法将海量的基因表达数据分成几十个或上百个小规模的基因集合(类),然后通过逆向工程方法在小范围内构建基因调控网络。本文尝试把L1/2正则化的思想应用到基于一般微分方程模型的基因调控网络重建,在一定程度上控制网路的稀疏性,即只构建基因相互影响程度比较大的网络连接。这里,我们使用Sigmoid函数对基因表达数据进行转换,L1/2正则化阈值算法用于对微分方程模型系数进行计算,交叉验证确定模型的最佳稀疏性。最后,使用Bootstrap过程得到一列有分数的边,根据分数对该列边进行排序,得到一个无向网路。使用P-R理论和ROC理论对结果进行评价。(本文来源于《大连理工大学》期刊2014-04-01）
唐利民[9]（2014）在《基于正则化理论的钢管混凝土轴压短柱极限承载力分析模型》一文中研究指出基于正则化理论,通过添加1个正则化因子,结合多项式回归模型,本文构造了正则化的钢管混凝土轴压短柱极限承载力分析模型。证明了存在正则因子,使多项式回归模型中信息矩阵的条件数可以降低到一定值,给出了计算公式。大量试验数据分析表明,新的正则化钢管混凝土轴压短柱极限承载力分析模型可改善多项式回归模型中信息矩阵的病态程度,避免由于信息矩阵的严重病态而导致矩阵求逆计算的失败,且正则化的分析模型与试验数据具有更小的拟合误差。(本文来源于《公路交通科技》期刊2014年02期）
王克兰[10]（2013）在《基于SURE的图像重建正则化理论研究》一文中研究指出图像去噪、去模糊和超分辨重建在图像处理领域是比较常见而且普通的问题,然而,这些问题都属于病态反问题。病态性是指解不唯一或是不连续依赖于数据,输入数据的任意小的扰动都会造成解的很大的扰动。对于病态反问题的处理,正则化方法是一种行之有效的方法,它能够稳定求解问题并且获得有效且稳定的解。然而在使用这种方法时,面临的比较重要的任务就是调整正则化的参数,选择最佳的正则化参数,获得复原效果最好的图像。本文主要针对图像重建正则化参数的选择做了主要以下工作：第一,我们使用正则化方法和最小二乘方法(LS)相结合构成正则化泛函来解决病态反问题。参数λ的选择在基于正则化的图像处理中是非常关键的。图像重建的效果一般是用最小均方误差MSE来衡量的,然而MSE的求解要涉及原始信号并且是无法获得或是先验未知的。论文中提出了一种比较实用的方法Stein的无偏估计(SURE),并对MSE无偏风险估计进行推导,这种方法的优点在于仅利用观测到的数据,而不需要原始图像的相关信息。第二,在本论文中,将SURE这种方法推广到图像去模糊,图像超分辨率等图像重建问题上。在去噪算法的表达式不是明确表达的情况下,SURE准则已经被证明能够在在图像去噪中对正则化参数进行选取。我们引入Monte-Carlo算法近似实现SURE的计算,这种方法不仅对复原算法是明确的表达函数时可行,对于不能解析表示出来的函数的复原算法也是可行的。通过基于Tikhonov(?)(?)总变分正则化两种不同方法的实验结果证明了我们的结论。在论文中我们用数值结果证明了用Monte-Carlo这种方法计算的SURE能够比较准确地估计MSE的值。第叁,针对非局部平均图像去噪算法中滤波因子的宽度和稀疏正则化去噪算法的中阈值参数进行选择,首先进行图像重建,然后再用SURE(?)寸重建图像的MSE进行监测。实验结果表明了SURE方法在这两种参数选择上的有效性。(本文来源于《南京理工大学》期刊2013-03-01）
正则化理论论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
L_(1/2)正则化比L_1正则化有更稀疏的解,比L_0正则化更易求解.本文将L_(1/2)正则化引入到地震数据重建过程,提出了一种基于光滑L_(1/2)正则化的地震数据重建方法.首先建立L_(1/2)正则化地震数据重建模型,并利用光滑渐近函数逼近L_(1/2)正则项,克服了L_(1/2)正则化求解过程中的数值振荡问题;之后根据光滑L_(1/2)正则化理论改进了字典学习算法,提高了冗余字典的训练效率;最后利用训练的冗余字典和半阈值迭代算法对地震数据进行恢复重建.对具有232道、每道751个采样点的地震炮集数据应用结果表明,与基于L_1正则化的K-SVD重建方法相比,本方法重建结果的信噪比提高3.3 dB.在计算效率方面,本方法字典训练耗时仅为L_1正则化K-SVD的1/3,重建耗时仅为L_1正则化K-SVD一半的时间.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
正则化理论论文参考文献
[1].康治梁,张雪冰.基于L_(1/2)正则化理论的地震稀疏反褶积[J].石油物探.2019
[2].张繁昌,兰南英,张珩.基于光滑L_(1/2)正则化理论的地震数据重建[J].中国矿业大学学报.2019
[3].吴阳.基于正则化理论的运动平台雷达超分辨成像方法研究[D].电子科技大学.2019
[4].徐宗本,吴一戎,张冰尘,王尧.基于L_(1/2)正则化理论的稀疏雷达成像[J].科学通报.2018
[5].廖振松,谭晖,王冼,陈明城.基于流形正则化理论的用户满意度排序研究[J].电信技术.2017
[6].赵光伟.l_q稀疏正则化理论及其在热传导反问题中的应用[J].黑龙江大学自然科学学报.2014
[7].蔡苗苗.基于稀疏正则化理论的超分辨率图像重建算法研究[D].中国计量学院.2014
[8].朱雅娟.正则化理论应用于基因网络逆向工程的研究[D].大连理工大学.2014
[9].唐利民.基于正则化理论的钢管混凝土轴压短柱极限承载力分析模型[J].公路交通科技.2014
[10].王克兰.基于SURE的图像重建正则化理论研究[D].南京理工大学.2013