注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. L1正则化算法的综述文章

  2. 解决L1正则化问题最新算法的综述，值得借鉴！

  3. 所属分类：电信

    • 发布日期：2012-02-15
    • 文件大小：1048576
    • 提供者：xjcuihb

  1. l1正则化的一系列算法

  2. 解决L1正则化问题的一系列最新算法，可以尝试！ 本人亲自测试过，好用。 压缩传感、稀疏表达方向的，都可以用。

  3. 所属分类：3G/移动开发

    • 发布日期：2012-02-15
    • 文件大小：46080
    • 提供者：xjcuihb

  1. L0、L1、L2正则化介绍

  2. L0、L1、L2正则化介绍

  3. 所属分类：机器学习

    • 发布日期：2017-06-01
    • 文件大小：135168
    • 提供者：m0_38135319

  1. L1/2范数正则化模型修正方法在结构损伤识别中的应用

  2. L1/2范数正则化模型修正方法在结构损伤识别中的应用，洪祖江，田福志，针对结构发生损伤时损伤参数具有稀疏性，本文基于灵敏度分析的有限元模型修正方法，提出一种结合L1/2范数正则化过程的结构损伤识�

  3. 所属分类：其它

    • 发布日期：2020-01-10
    • 文件大小：523264
    • 提供者：weixin_38713412

  1. 正则化_过拟合.docx

  2. 该文档包含了过拟合产生的原因，解决方法，以及为什么引入正则化，L1和L2的区别、L1为什么产生稀疏矩阵等等，欢迎下载

  3. 所属分类：机器学习

    • 发布日期：2019-05-24
    • 文件大小：114688
    • 提供者：qq_24729325

  1. 为什么正则化能够解决过拟合问题？

  2. 为什么正则化能够解决过拟合问题一. 正则化的解释二. 拉格朗日乘数法三. 正则化是怎么解决过拟合问题的1. 引出范数1.1 L_0范数1.2 L_1范数1.3 L_2范数2. L_2范式正则项如何解决过拟合问题2.1 公式推导2.2 图像推导[^2]2.2.1 L1正则化2.2.2 L2正则化四. 结论 如果觉得不想看前两大点，可以直接看第三点公式推导或图像观察，个人觉得特别好理解。 一. 正则化的解释 为防止模型过拟合，提高模型的泛化能力，通常会在损失函数的后面添加一个正则化项。 L1正则

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：264192
    • 提供者：weixin_38604395

  1. L1正则化理论推导，为什么L1产生稀疏解?

  2. L1正则化技术F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w;x,y)+α∑i=1n∣wi∣假设w∗是损失函数J(w;x,y)最优解，J(w;x,y)在w∗处泰勒展J(w;x,y)=J(w∗;x,y)+J′(w∗;x,y)(w−w∗)+12!J′′(w∗;x,y)(w−w∗)2  ∵w∗是J(w;x,y)最优解，则J′(w∗;x,y)=0，则可以去除J(w∗;x,y)+12!J′′(w∗;x,y)(w−w∗)2J′′是二阶导数，当是高维的时候就变成了H矩阵了。J(w∗;x,y)+12

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：38912
    • 提供者：weixin_38748555

  1. 基于正则化的与说话人相关的本机矩阵估计的说话人自适应

  2. 在有足够的适应性数据时，基于本机的说话人适应优于传统的最大似然线性回归（MLLR）和本征语音方法。 然而，当仅提供几秒钟的适配数据时，它会遭受严重的过度拟合。 在本文中，研究了各种正则化方法以获得更健壮的依赖于说话者的本征电话矩阵估计。 逐元素的l1范数正则化（称为套索）鼓励本征电话矩阵稀疏，从而减少了有效自由参数的数量并提高了泛化能力。 平方的l2范数正则化促进估计矩阵向零方向逐元素收缩，从而减轻了过度拟合的情况。 按列的非平方l2范数正则化（称为组套索）在列级别上像套索一样起作用，从而鼓励了

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：287744
    • 提供者：weixin_38623080

  1. L1-L2空间层析成像的空间自适应正则化方法

  2. L1-L2空间层析成像的空间自适应正则化方法

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：618496
    • 提供者：weixin_38732343

  1. L1和总变化正则化C臂心脏锥束CT重建

  2. 基于联合L1和总变异的迭代重建新方法正则化建议用于ECG门控的冠状动脉断层摄影术重建。 这重构问题被公式化为约束优化模型，并使用线性化的Bregman和前向后拆分方法。 实验进行到使用拟人模型来评估其性能，结果表明提出的方法可以从5-10张血管造影照片重建准确的血管形态。

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：393216
    • 提供者：weixin_38612568

  1. 具有L1范数保真度项的电子断层扫描总变化正则化方法

  2. 具有L1范数保真度项的电子断层扫描总变化正则化方法

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：274432
    • 提供者：weixin_38529239

  1. 基于L1正则化的泛锐化变分模型

  2. 基于L1正则化的泛锐化变分模型

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：1048576
    • 提供者：weixin_38687807

  1. 使用L1 / 2正则化低秩表示和基于稀疏表示的图割进行光谱空间高光谱图像分类

  2. 使用L1 / 2正则化低秩表示和基于稀疏表示的图割进行光谱空间高光谱图像分类

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：2097152
    • 提供者：weixin_38713039

  1. L1正则化Logistic回归在财务预警中的应用

  2. 线性模型和广义线性模型已广泛地用于社会经济、生产实践和科学研究中的数据分析和数据挖掘等领域,如公司财务预警,引入L1范数惩罚技术的模型在估计模型系数的同时能实现变量选择的功能.本文将L1范数正则化Logistic回归模型用于上市公司财务危机预报,结合沪深股市制造业ST公司和正常公司的T-2年财务数据开展实证研究,对比Logistic回归和L2正则化Logistic回归模型进行对比分析.实验结果表明L1正则化Logistic回归模型的有效性,其在保证模型预测精度的同时提高模型的解释性. 更多还原

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：262144
    • 提供者：weixin_38609247

  1. 通过L1 / 2正则化重建生物发光层析成像的源

  2. 生物发光层析成像（BLT）是临床前研究中的一种重要的非侵入性光学分子成像方法。 为了提高图像质量，重建算法必须处理BLT逆问题的固有不适性。 在BLT中，生物发光源在空间分​​布中的稀疏特征已经得到了广泛的探索，并且由于L1范数的稀疏性，已经研究了许多L1正则化方法。 在本文中，我们提出了一种基于L1 / 2正则化的重构方法，以提高BLT解的稀疏性，并通过将其转换为一系列具有加权更新权重的加权L1同伦最小化问题来解决非凸L1 / 2范数问题。 为了评估所提出的重建算法的性能，设计了一种异构鼠标模

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：1048576
    • 提供者：weixin_38549721

  1. 使用l1稀疏正则化进行图像反卷积

  2. 使用l1稀疏正则化进行图像反卷积

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：997376
    • 提供者：weixin_38750861

  1. 基于离散余弦变换和L1正则化的背景分子荧光层析成像的迭代校正方案

  2. 基于离散余弦变换和L1正则化的背景分子荧光层析成像的迭代校正方案

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：1048576
    • 提供者：weixin_38571544

  1. 基于SURE的基于l1图像复原的正则化参数的最优选择。

  2. 基于SURE的基于l1图像复原的正则化参数的最优选择。

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：447488
    • 提供者：weixin_38690407

  1. 使用保留细节的正则化去除混合脉冲和高斯噪声

  2. 多年来，提出了许多方法分别用于恢复因脉冲噪声或高斯噪声。 然而，由于两者的独特性类型的降解过程，没有太多的工作要做有效去除图像中的混合噪点，这是一个普遍存在的问题在实践中发现。 为了缓解此问题，我们提出了一种两阶段方法基于脉冲检测器和保留细节的正则化。 我们使用检测器来识别脉冲噪声，然后恢复并同时平滑剩余的高斯噪声关于正则化框架。 可以自适应模拟的新颖错误规范正则化过程中使用传统的l1和l2规范。 这适应性使我们的方法能够普遍删除各种程度的脉冲噪声和混合噪声，同时保持精细图像细节很好。 已经进行

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：693248
    • 提供者：weixin_38531210

  1. 神经网络正则化技术：在本研究中，我们将使用平衡的EMNIST数据集探索可用于解决给定神经网络体系结构过拟合问题的不同正则化方法-源码

  2. 在平衡的EMNIST数据集上训练的简单神经网络体系结构上对正则化技术的评估 在这项研究中，我们将探索使用平衡的EMNIST数据集的不同正则化方法，这些方法可用于解决给定神经网络架构中的过拟合问题。 我们将首先通过更改网络的隐藏单元数（宽度）和隐藏层数（深度）来确定问题，以便了解过拟合对不同网络形状的影响。 随后，我们将进行不同的实验，以了解如何解决将固定的架构和超参数的基准模型添加Dropout，L1和L2正则化的初始问题。 这些实验都将与“基线模型”进行比较，以找到为基线模型提供最高准确度和最

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：5242880
    • 提供者：weixin_42101720
« 12 3 4 5 6 »