公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

基于非凸张量秩最小化的三维地震数据插值被引量：3: 2022年; 完整的三维地震数据的频率切片经过Hankel张量预变换后具有低秩性,因此,随机缺失的三维地震数据可以通过张量降秩进行插值。张量的秩最小化是NP难问题,传统方法通过构建张量秩的凸松弛求解。但是,该方法忽略张量模展开矩阵奇异值的差异性,获得的仅是原始张量秩最小化问题的次优解,地震数据插值精度得不到保证。为此,本文提出基于log_(ε)函数的非凸张量模型,用log_(ε)函数代替秩函数,采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解。仿真和真实地震数据的实验结果表明,相比于传统的基于块Hankel变换的多道奇异谱分析(Multichannel Singular Spectrum Analysis,MSSA)方法和基于凸松弛的低秩张量补全方法(Low-rank Tensor Completion,LRTC),本文所提方法具有更高的重建精度。; 李言言李志明王琴

基于压缩感知的多尺度最小二乘支持向量机被引量：8: 2016年; 提出一种基于压缩感知(Compressive sensing,CS)和多分辨分析(Multi-resolution analysis,MRA)的多尺度最小二乘支持向量机(Least squares support vector machine,LS-SVM).首先将多尺度小波函数作为支持向量核,推导出多尺度最小二乘支持向量机模型,然后基于压缩感知理论,利用最小二乘匹配追踪(Least squares orthogonal matching pursuit,LS-OMP)算法对多尺度最小二乘支持向量机的支持向量进行稀疏化,最后用稀疏的支持向量实现函数回归.实验结果表明,本文方法利用不同尺度小波核逼近信号的不同细节,而且以比较少的支持向量能达到很好的泛化性能,大大降低了运算成本,相比普通最小二乘支持向量机,具有更优越的表现力.; 王琴沈远彤; 关键词：最小二乘支持向量机压缩感知稀疏化

二尺度最小二乘小波支持向量回归被引量：3: 2009年; 基于小波多尺度理论和最小二乘支持向量机的优越性能,提出了多尺度最小二乘小波支持向量回归,弥补了普通最小二乘小波支持向量回归在单尺度小波空间上对函数进行逼近的不足,使用多尺度上的小波线性组合来逼近L2(Rd)空间上的任意函数,真正意义上实现了小波分解和最小二乘支持向量机的最佳结合,更有效地继承了小波多尺度学习算法和最小二乘支持向量机的优点,既能达到有效精度而且还计算简便。本文以两尺度为例,通过仿真实验说明了所提算法的有效性。; 王琴沈远彤; 关键词：最小二乘小波支持向量回归多尺度

三个常用无理数的带自由参数的级数展开式(英文): 2015年; 虽然2^(1/2),3^(1/2)和5^(1/2)都是重要的无理数,但它们的级数展开式非常少.为此,本文用超几何方法建立这三个数学常数的级数展开式,相应的结论不但数量多而且带有自由参数.; 魏传安龚佃选王琴

基于数据增广的CNN用于地震数据重建被引量：8: 2021年; 由于环境和经济约束,实际采集的地震资料往往呈现不规则分布,影响了后续地震数据的处理和解释。基于卷积神经网络(Convolutional Neural Network,CNN)的地震数据重建方法近年来引起广泛关注。该方法无需任何先验假设,从海量训练数据集中自动学习缺失数据到完整数据的映射,取得了良好的重建效果。然而,网络的训练依赖于训练数据。当训练数据集信息不够丰富时,网络泛化性不足,从而影响重建效果。为此,本文提出了一种基于数据增广的CNN地震数据重建方法。网络框架使用经典的Unet网络和Resnet网络。数据增广策略为:从合成数据随机截取的数据块构成训练数据集,通过对地震数据的空间方向多尺度采样、翻转、加噪等数据增广策略,增加样本的特征丰富度。最后,利用增广的数据集训练CNN网络实现重建。合成和实际资料的测试结果表明,所提出的数据增广策略可以有效地提高网络的泛化性。与无数据增广情况下的重建结果相比,信噪比更高。; 陈锐王琴; 关键词：地震数据重建卷积神经网络

基于协方差矩阵对角化的盲信号分离: 2009年; 将基于协方差矩阵对角化的盲分离方法用于盲分离。当信号具有时间结构且空间独立时,通过对角化独立成分的自协方差矩阵(不同时延下的协方差矩阵)对混合信号进行盲分离。首先构造白化信号的时延协方差矩阵,然后选取不同的时延,将协方差矩阵的对角化程度表示成代价函数,最后利用梯度下降法得到分离矩阵。此方法和基于极大似然估计的FastICA算法的对比试验说明了此算法的有效性。; 邸敬楼张利军王琴; 关键词：盲源分离

全选清除导出

共1页<1>

王琴