8.0 引言 8.1 正则化理论(Regularization Theory) 8.2 Reproducing Kernel Hilbert Space(RKHS) 8.3 正则化网络(Regularization Networks)

针对模糊边缘的红外目标提取问题,提出一种基于流形正则化多核半监督分类的提取方法.首先应用最大类间方差法计算初始分割阈值,获得确定化的目标和背景区域以及待确定化的模糊边缘区域;然后建立各区域内像素点邻域空间集,并通过多核函数特征映射获得邻域空间中灰度均值和方差信息特征值,通过流形正则获得邻域空间中位置信息特征值;在特征值基础上,建立半监督分类模型对模糊边缘区域像素点邻域空间集进行类别划分;最后计算最佳分割阈值.对比实验结果表明,该方法提取模糊边缘红外目标效果好且运算效率高

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理；然后在正则化图像背景中选取适当的掩膜作为样本集，计算各像素与样本集之间的马氏距离；再利用模糊C均值聚类算法对计算出的马氏距离进行分类；最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验，结果显示本算法可以自动抠图，且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果

4 奇异值分解 4.1 奇异值，奇异向量和奇异值分解 4.2 奇异值基本性质 4.3 奇异值更多性质 ∗ 5 线性最小二乘问题的求解方法 5.1 正规方程法 5.2 QR 分解法 5.3 奇异值分解法 6 最小二乘问题的推广及其应用 ∗ 6.1 正则化与加权正则化 6.2 约束最小二乘 6.3 多项式数据拟合 6.4 线性预测 6.5 信号恢复 6.6 SVD：图像压缩 — 截断 SVD 6.7 SVD：图像配准 Rigid Alignment / Shape Registration

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义

【机器学习】图正则化字典对学习的轻度认知功能障碍预测

【人工智能基础】图正则化稀疏判别非负矩阵分解

【机器感知与模式识别】鲁棒的正则化编码随机遮挡表情识别

【机器学习】特征自表达和图正则化的鲁棒无监督特征选择

【智能系统】一种卷积神经网络的图像矩正则化策略编辑部