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-norm Regularization

  2. L1范数正则化，是用于解决目标函数的优化问题的一种方法。

  3. 所属分类：专业指导

  1. glmnet_matlab.zip

  2. matlab下的logistics回归模型工具箱，支持L1、L2范数正则化约束项，包括交叉验证参数选择等。

  3. 所属分类：其它

    • 发布日期：2015-05-21
    • 文件大小：896000
    • 提供者：songkun123

  1. 求解L1_正则项优化问题的两种算法_朱红

  2. caj格式，可以在知网下载阅读器打开 求解L1_正则项优化问题的两种算法_朱红 求解L1_正则项优化问题的两种算法_朱红

  3. 所属分类：机器学习

    • 发布日期：2017-12-28
    • 文件大小：1048576
    • 提供者：chuangechuange

  1. Robust Visual Tracking using L1 Minimization-译文

  2. 题目：Robust Visual Tracking using L1 Minimization 翻译：基于L1范数最小化的鲁棒性视觉追踪 Author 作者：Xue Mei 凌海滨 本文要解决的问题： occlusion, corruption and other challenging issues视觉追踪中存在的遮挡、腐蚀和其他调整性问题 方法：prosposed a robust visual tracking by casting tracking as a sparse approx

  3. 所属分类：机器学习

    • 发布日期：2018-10-10
    • 文件大小：455680
    • 提供者：baiyulong724

  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. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  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. 基于L_(1/2)正则项的磁共振图像稀疏重构

  2. 磁共振图像可以利用压缩感知从数量非常有限的观测数据集合中重构出,然而为了能够做到这一点,必须要解决定义在大量数据集合上的非光滑函数的最小化这一困难问题.通常L1范数能够产生稀疏解,但它往往与真实稀疏解(L0的解)差距甚大.针对该问题,研究一种基于变量分裂的图像重构模型,引入待重构图像的L1/2范数作为新正则项,采用交替增广拉格朗日乘子法进行求解.为考察方法的稳定性和重构效果,结合不同参数等评价标准与现有的图像重构模型进行比较.实验结果表明,L1/2范数作为正则子的图像重构模型相对于原有模型,图像

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：474112
    • 提供者：weixin_38688097

  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. 基于总偏差最小化的ISAR压缩成像

  2. 对于逆合成Kong径雷达（ISAR）目标成像，从少量压缩测量回波数据重建重构运动目标是纠正定点，并且观察到噪声也会影响重建结果。基础上，结合压缩感知原理，提供一种基于全变差正则化的ISAR压缩感知成像模型，通过转换优化模型转化为简单的代理函数进行转化，提出一种快速优化的最小算法。实验结果表明，当回波信噪比大于10 dB时，此处方法明显距离–多普勒算法和基于L1范数的压缩感知成像方法。 。

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：1048576
    • 提供者：weixin_38605604

  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. 联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

  2. 稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：1048576
    • 提供者：weixin_38706100

  1. 各向异性四阶扩散正则化用于多帧超分辨率重建

  2. 提出了一种基于正则化的新颖方法用于超分辨率重建，以实现噪声去除和边缘保留之间的良好权衡。 该方法是通过使用L1范数作为数据保真度项和各向异性四阶扩散模型作为正则项来开发的，以约束重构图像的平滑度。 为了评估和证明该方法的性能，进行了一系列实验，并与一些现有方法进行了比较，包括双三次插值法和双边总变分法。 综合数据的数值结果表明，与双边总变分方法相比，该方法的PSNR改进平均大约为1.0906 dB，并且在真实视频上的结果表明，该算法在去除视觉伪影和保留边缘方面也有效在还原的图像中。

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：1048576
    • 提供者：weixin_38624437

  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. 融合

  2. 复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：4194304
    • 提供者：weixin_38590567

  1. 基于非负约束L1-范数正则化的乳腺扩散光学层析成像重建方法

  2. 在乳腺扩散光学层析成像中，L1-范数正则化的引入大幅改善了重建图像的质量，但目标函数的不可导性使得最优化过程异常困难。提出了一种新的基于非负约束L1-范数正则化的重建方法。非负先验信息的引入使得目标函数的一阶梯度变得简单易求，最优化过程得以简化和加速。数值模拟和仿体实验均表明，相对于传统正则化重建方法，该方法可简单、快速地获得更高质量的重建图像。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：3145728
    • 提供者：weixin_38703895

  1. 基于联合正则化的稀疏磁共振图像重构

  2. 基于压缩感知的MRI图像重构是利用图像稀疏性，从数量非常有限的观测数据集合中重构出图像，通常L1范数能够产生稀疏解， 但它往往与真实稀疏解（L0的解）差距甚大，重构效果不理想，而且在一些图像重构的应用中，单一正则项的作用有限并不能很好地完成复原任务。针对此问题，引入待重构图像的L1/2范数作为新正则项，与TV范数构成联合正则项，采用交替增广拉格朗日乘子法进行求解。为考察方法的稳定性和重构效果，结合不同参数等评价标准与现有的图像重构模型进行比较。实验结果表明，联合正则项的图像重构模型相对于原有模型

  3. 所属分类：其它

    • 发布日期：2021-01-29
    • 文件大小：2097152
    • 提供者：weixin_38537777

  1. 基于改进半阈值法的生物发光断层成像仿真

  2. 提出将百分位半阈值匹配追踪法(PHTPA)应用于生物发光断层成像(BLT)这一光学分子成像模态领域。将BLT光源重建为一个L1/2范数正则化问题,在迭代半阈值算法(HTA)的基础上,结合子空间跟踪和百分位阈值法对其求解。在数字鼠模型上设计多组仿真实验,对改进的半阈值算法进行有效性和收敛性的评估。仿真结果表明,与原有的HTA和迭代重赋权算法相比,PHTPA在不同光源设置下都能得到更为准确的重建结果。

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：5242880
    • 提供者：weixin_38548717

  1. 基于稀疏流形聚类嵌入模型和

  2. 综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息, 提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法. 首先, 用稀疏流形聚类嵌入模型将数据投影到易分类的空间, 利用标注正确的极少量样本和最近邻分类器获得新标签; 然后, 构造标签错误检测模型, 获得仅含0、1 元素的检测向量, 正确、错误的标签分别对应着1、0 的位置; 最后, 给出了相应的优化算法及收敛证明, 并在相关实验上验证了算法的有效性.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：1048576
    • 提供者：weixin_38729269
« 12 »