针对现有抗噪声调频干扰相位编码波形设计算法存在计算复杂度高、难以满足实时处理需求的问题,本文提出了一种基于频域坐标下降的高效优化算法。首先,将时域联合优化目标函数转换至频域,建立相位编码波形的频域优化模型。该转换不仅有...针对现有抗噪声调频干扰相位编码波形设计算法存在计算复杂度高、难以满足实时处理需求的问题,本文提出了一种基于频域坐标下降的高效优化算法。首先,将时域联合优化目标函数转换至频域,建立相位编码波形的频域优化模型。该转换不仅有效规避了时域优化过程中大规模矩阵运算带来的高计算代价,还使得优化问题结构更为简洁,便于后续的算法设计。随后,在交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)框架下引入频域坐标下降法(Frequency-domain Coordinate Descent Method,FCDM),形成了ADMMFCDM算法。该算法将复杂的高维优化问题分解为多个可独立并行处理的一维子问题,通过推导波形频域序列元素的闭式解,不仅大幅降低了单次迭代的计算量,还显著提升了全局优化效率。最后,本文引入快速傅里叶变换(Fast Fourier Transform,FFT)技术对ADMM-FCDM进行简化,得到了交替方向乘子法框架下结合快速傅里叶变换的频域坐标下降算法(Frequency-domain Coordinate Descent Method with Fast Fourier Transform under Alternating Direction Method of Multipliers Framework,ADMM-FFT-FCDM)。FFT的引入极大程度地降低了时域与频域之间变换所需的计算时间,进一步提升了算法的运算效率。仿真实验表明,较于现有算法,本文提出的ADMM-FFTFCDM算法在保证雷达抗干扰性能和探测性能的同时,运算速度获得显著提升。展开更多
随着大规模数据的增加,解决Lasso问题成为一个新的热点,以往的方法很难满足大数据背景下的时间和效率问题。为了解决大规模数据及高维数据而带来的计算和储存的困难,本文从三个方面分析最新的算法,即一阶方法、随机方法及并行和分布计...随着大规模数据的增加,解决Lasso问题成为一个新的热点,以往的方法很难满足大数据背景下的时间和效率问题。为了解决大规模数据及高维数据而带来的计算和储存的困难,本文从三个方面分析最新的算法,即一阶方法、随机方法及并行和分布计算。本文介绍和分析了解决最小收缩和选择算子(Least absolute shrinkage and selection operator,Lasso)问题的最新算法:梯度下降方法、交替方向乘子法(Alternating direction method of multipliers,ADMM)和坐标下降方法。其中梯度下降结合一阶方法和Nesterov的加速和光滑技术;交替方向乘子方法将随机方法融入在最新的算法中;坐标下降方法利用其坐标系的特点结合一阶方法、随机方法和并行和分布计算,本文分别从原始目标函数和对偶目标函数的角度对算法进行分析和研究。展开更多
在现实生活中的很多应用里,对不同类别的样本错误地分类往往会造成不同程度的损失,这些损失可以用非均衡代价来刻画.代价敏感学习的目标就是最小化总体代价.提出了一种新的代价敏感分类方法——代价敏感大间隔分布学习机(cost-sensitive...在现实生活中的很多应用里,对不同类别的样本错误地分类往往会造成不同程度的损失,这些损失可以用非均衡代价来刻画.代价敏感学习的目标就是最小化总体代价.提出了一种新的代价敏感分类方法——代价敏感大间隔分布学习机(cost-sensitive large margin distribution machine,CS-LDM).与传统的大间隔学习方法试图最大化"最小间隔"不同,CS-LDM在最小化总体代价的同时致力于对"间隔分布"进行优化,并通过对偶坐标下降方法优化目标函数,以有效地进行代价敏感学习.实验结果表明,CS-LDM的性能显著优于代价敏感支持向量机CS-SVM,平均总体代价下降了24%.展开更多
经典的稀疏表示分类(Sparse Representation for Classification,SRC)算法是一种基于L_1范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解L_1范数最小化问题时,往往计...经典的稀疏表示分类(Sparse Representation for Classification,SRC)算法是一种基于L_1范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解L_1范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。展开更多
文摘针对现有抗噪声调频干扰相位编码波形设计算法存在计算复杂度高、难以满足实时处理需求的问题,本文提出了一种基于频域坐标下降的高效优化算法。首先,将时域联合优化目标函数转换至频域,建立相位编码波形的频域优化模型。该转换不仅有效规避了时域优化过程中大规模矩阵运算带来的高计算代价,还使得优化问题结构更为简洁,便于后续的算法设计。随后,在交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)框架下引入频域坐标下降法(Frequency-domain Coordinate Descent Method,FCDM),形成了ADMMFCDM算法。该算法将复杂的高维优化问题分解为多个可独立并行处理的一维子问题,通过推导波形频域序列元素的闭式解,不仅大幅降低了单次迭代的计算量,还显著提升了全局优化效率。最后,本文引入快速傅里叶变换(Fast Fourier Transform,FFT)技术对ADMM-FCDM进行简化,得到了交替方向乘子法框架下结合快速傅里叶变换的频域坐标下降算法(Frequency-domain Coordinate Descent Method with Fast Fourier Transform under Alternating Direction Method of Multipliers Framework,ADMM-FFT-FCDM)。FFT的引入极大程度地降低了时域与频域之间变换所需的计算时间,进一步提升了算法的运算效率。仿真实验表明,较于现有算法,本文提出的ADMM-FFTFCDM算法在保证雷达抗干扰性能和探测性能的同时,运算速度获得显著提升。
文摘随着大规模数据的增加,解决Lasso问题成为一个新的热点,以往的方法很难满足大数据背景下的时间和效率问题。为了解决大规模数据及高维数据而带来的计算和储存的困难,本文从三个方面分析最新的算法,即一阶方法、随机方法及并行和分布计算。本文介绍和分析了解决最小收缩和选择算子(Least absolute shrinkage and selection operator,Lasso)问题的最新算法:梯度下降方法、交替方向乘子法(Alternating direction method of multipliers,ADMM)和坐标下降方法。其中梯度下降结合一阶方法和Nesterov的加速和光滑技术;交替方向乘子方法将随机方法融入在最新的算法中;坐标下降方法利用其坐标系的特点结合一阶方法、随机方法和并行和分布计算,本文分别从原始目标函数和对偶目标函数的角度对算法进行分析和研究。
文摘在现实生活中的很多应用里,对不同类别的样本错误地分类往往会造成不同程度的损失,这些损失可以用非均衡代价来刻画.代价敏感学习的目标就是最小化总体代价.提出了一种新的代价敏感分类方法——代价敏感大间隔分布学习机(cost-sensitive large margin distribution machine,CS-LDM).与传统的大间隔学习方法试图最大化"最小间隔"不同,CS-LDM在最小化总体代价的同时致力于对"间隔分布"进行优化,并通过对偶坐标下降方法优化目标函数,以有效地进行代价敏感学习.实验结果表明,CS-LDM的性能显著优于代价敏感支持向量机CS-SVM,平均总体代价下降了24%.
文摘经典的稀疏表示分类(Sparse Representation for Classification,SRC)算法是一种基于L_1范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解L_1范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。
