导读:本文包含了正则化误差论文开题报告文献综述及选题提纲参考文献，主要关键词:病态变量含误差模型,正则化,不等式约束,加权总体最小二乘
正则化误差论文文献综述
陶叶青,周晓钟,蔡安宁[1]（2019）在《病态变量含误差模型的分步正则化算法》一文中研究指出针对数值逼近理论的病态变量含误差模型正则化算法无法顾及模型的随机性质,以及获得的参数估值不具有统计意义的问题。该文在对现有算法进行拓展的基础上,提出了分步的正则化算法:首先通过构造约束矩阵改善模型的病态性,获得稳定的参数初值;然后应用参数的最小二乘正则化解作为初值,建立附有不等式约束的总体最小二乘参数估计模型;最后,通过实例对已有算法与本文所建立的算法进行比较。结果表明,该算法弥补了现有的算法单一通过正则化参数实现模型正则化存在的不足,避免了总体最小二乘算法具有的降正则化性质导致的参数估计发散,具有稳定的收敛性质。(本文来源于《测绘科学》期刊2019年03期）
王宇[2]（2018）在《正则化误差渐减在线序列ELM算法》一文中研究指出该文基于误差渐减在线序列ELM和正则化ELM算法,借鉴正则化ELM算法中计算输出权重向量的方法,即引入正则化因子用以计算权重向量的方法以更新误差渐减在线序列算法中输出权重向量和实际输出,进而提出正则化误差渐减在线序列ELM算法,数值实验表明该算法的优势在学习速度、算法稳定性以及泛化性能方面均有所体现。(本文来源于《电脑知识与技术》期刊2018年11期）
赵雪茹[3]（2016）在《具有L~1数据误差项的稀疏正则化》一文中研究指出本文研究具有L1数据模拟项的稀疏正则化及其数值实现。讨论了该正则化泛函解的存在性、稳定性、收敛性和收敛速度。由于该正则化的数据误差项和正则化项均不具有可微性质,直接求其对偶形式非常困难。我们采用多参数正则化的思想,将该泛函增加一个L2光滑罚项,其优点是新泛函具有比较简单的对偶结构,而且具有光滑特征。最后再采用投影梯度算法求其最优解,证明算法收敛性。在数值算例中,针对两个不同的线性反问题将该方法与YALL1算法在准确性及稳定性方面做了比较,数值结果验证该方法是一种高效、稳定的方法。(本文来源于《东北林业大学》期刊2016-04-01）
熊向团,郑振明,周茜[4]（2016）在《二维时间分数阶扩散方程的Tikhonov正则化方法及误差估计》一文中研究指出二维时间分数阶的扩散方程非特征Cauchy问题是一个严重不适定的问题,本文通过Tikhonov正则化方法构造正则解,并获得了正则近似解与精确解之间的误差.(本文来源于《西北师范大学学报(自然科学版)》期刊2016年02期）
张永全,李有梅[5]（2014）在《高斯核正则化学习算法的泛化误差》一文中研究指出对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.(本文来源于《数学物理学报》期刊2014年05期）
王文君,段晓君,朱炬波[6]（2013）在《制导工具误差分离自适应正则化模型及应用》一文中研究指出在无地面测试信息条件下,针对制导工具误差分离的线性模型,提炼了基于稀疏约束的正则化模型一般形式。基于极大似然理论推导了自适应参数正则化模型,正则化参数可随逼近误差的变化而相应变化,避免了选取普适性正则化参数的困难。提供了基于拟牛顿方法的求解算法。实验结果表明,在同等条件下,该方法优于主成分分析方法和固定参数的正则化方法。(本文来源于《弹道学报》期刊2013年03期）
薛晖,陈松灿[7]（2011）在《基于局部性正则化推广误差界的特征选择算法》一文中研究指出特征选择是当前模式识别领域的研究热点.滤波方法和封装方法是特征选择算法中评价特征子集的两种主要策略,但均不能保证其后所设计的分类器的推广性能.针对以上两种策略的不足,首先引入基于样本流形结构的局部性正则化推广误差界.并在此基础上,以局部性正则化推广误差界为评价函数,以局部性正则化分类方法为目标分类器,提出一种混合滤波-封装型特征选择算法.该算法既保持了较高的计算效率,又保证了目标分类器良好的推广性.实验结果表明,新算法具有比对比算法更优的分类性能.(本文来源于《模式识别与人工智能》期刊2011年04期）
冯立新,李媛[8]（2011）在《求解二维热传导方程侧边值问题的小波正则化方法的误差估计》一文中研究指出本文考虑R+2上的二维热传导方程的侧边值问题,这是一个不适定问题.利用正交多尺度分析生成Meyer小波这一工具,我们提出了一种正则化方法.这一想法源于Meyer小波的Fourier变换具有紧支集,这意味着可以使用其防止高频噪声污染问题的解.本文的主要结果是定理4.2,它给出了精确解与截断解(即小波正则解)之间的误差估计.这里的截断通过对测量数据f设定限制以及逐层离散完成.(本文来源于《中国科学:数学》期刊2011年04期）
冯李哲[9]（2011）在《关于系数正则化模型的误差分析》一文中研究指出学习理论是从观测数据(样本)出发寻找规律,利用这些规律获得关于目标函数的了解,从而应用于预测未来数据或无法观测的数据.分类学习和回归学习是学习理论的两种典型的例子.依据样本特点及应用要求采用不同的分析方法,建立成批学习和在线学习两种基本模型.借助解的表示定理,两种模型均可以简化为系数正则化模型.这种模型的实质是定义在有限维欧氏空间上的一种最优化模型,因而它的解可以通过最优化计算方法获得.文章研究了系数正则化分类学习和回归学习算法的收敛性.主体分两部分,第一部分是对在线分类学习算法的收敛性分析.借助凸分析和非光滑分析给出了一种系数正则化在线分类学习算法.在对步长作一般限定的基础上,证明了学习序列的强收敛性：进而,在对步长作特殊限定后,求出精确的收敛速度.第二部分是对回归学习算法的收敛性分析.利用覆盖数、Hoeffding不等式等工具.对一种系数正则化回归算法进行了误差分析,通过分别对样本误差和逼近误差进行估计,得到正则化参数的最优选择,从而得到最优误差估计.(本文来源于《杭州师范大学》期刊2011-03-01）
张际雄,王建力,盛宝怀[10]（2011）在《正则化学习算法的误差分析(英文)》一文中研究指出给出了一类正则化样本学习算法的误差分析.借助于大数定律给出了样本误差,用一种K-泛函给出了逼近误差的估计.(本文来源于《杭州师范大学学报(自然科学版)》期刊2011年01期）
正则化误差论文开题报告
（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：
该文基于误差渐减在线序列ELM和正则化ELM算法,借鉴正则化ELM算法中计算输出权重向量的方法,即引入正则化因子用以计算权重向量的方法以更新误差渐减在线序列算法中输出权重向量和实际输出,进而提出正则化误差渐减在线序列ELM算法,数值实验表明该算法的优势在学习速度、算法稳定性以及泛化性能方面均有所体现。
（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。
正则化误差论文参考文献
[1].陶叶青,周晓钟,蔡安宁.病态变量含误差模型的分步正则化算法[J].测绘科学.2019
[2].王宇.正则化误差渐减在线序列ELM算法[J].电脑知识与技术.2018
[3].赵雪茹.具有L~1数据误差项的稀疏正则化[D].东北林业大学.2016
[4].熊向团,郑振明,周茜.二维时间分数阶扩散方程的Tikhonov正则化方法及误差估计[J].西北师范大学学报(自然科学版).2016
[5].张永全,李有梅.高斯核正则化学习算法的泛化误差[J].数学物理学报.2014
[6].王文君,段晓君,朱炬波.制导工具误差分离自适应正则化模型及应用[J].弹道学报.2013
[7].薛晖,陈松灿.基于局部性正则化推广误差界的特征选择算法[J].模式识别与人工智能.2011
[8].冯立新,李媛.求解二维热传导方程侧边值问题的小波正则化方法的误差估计[J].中国科学:数学.2011
[9].冯李哲.关于系数正则化模型的误差分析[D].杭州师范大学.2011
[10].张际雄,王建力,盛宝怀.正则化学习算法的误差分析(英文)[J].杭州师范大学学报(自然科学版).2011