㊀２０２３年６月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a J u n e,２０２３㊀㊀第５２卷㊀第６期测㊀绘㊀学㊀报V o l．５２,N o．６引文格式：宋尚真，杨怡欣，王会峰，等．高光谱图像稀疏约束与自编码器特征提取相结合的异常检测方法[J]．测绘学报,２０２３,５２(６):９３２Ｇ９４３．D O I:１０...

卷积神经网络的参数剪枝和稀疏化方法随着深度学习技术的不断发展，卷积神经网络(CNN)作为一种重要的神经网络模型，被广泛应用于图像识别、自然语言处理等领域。然而，CNN模型往往具有大量的参数，导致模型复杂度高、计算量大，对硬件资源的要求也相对较高。因此，参数剪枝和稀疏化成为了优化CNN模型的重要手段。一、参数剪枝的原理和方法参数剪枝是通过消除CNN模型中的一些不重要的参数，从而减少模型的大小和计算复...

摘要摘要随着科技的不断进步，人们进入了信息时代。数字图像作为一种信息传播的重要形式，其分辨率的高低以及一些浑浊的介质会影响人们获取图像中的信息。在现实世界中，有非常多的因素会影响图像的分辨率，如快门、散弹噪声、抖动、衍射极限、传感器、聚焦、颜混叠等。在物体成像中也存在着很多浑浊的介质，如水滴、颗粒、烟雾等。这些因素和介质都会导致图像的分辨率降低，以及图像中的部分信息丢失，因此，提高图像的分辨率和...

基于因子特征的高维稀疏投资组合优化    基于因子特征的高维稀疏投资组合优化    摘要：在资本市场中，投资者面临着如何选择最佳的投资组合来实现最大化收益和最小化风险的问题。传统的投资组合优化模型有一定的局限性，尤其是在处理高维矩阵和稀疏数据时的困难。本文将介绍一种基于因子特征的高维稀疏投资组合优化方法，该方法能够更好地解决高维稀疏数据的优化问题。 ...

专利名称：利用激活稀疏化的神经网络加速和嵌入压缩系统和方法专利类型：发明专利发明人：严恩勖，王维申请号：CN201980054375.7申请日：20190621公开号：CN112585619A公开日：20210330专利内容由知识产权出版社提供摘要：用于(i)加快深度神经网络(DNN)的推理速度和(ii)将DNN产生的矢量表示从各种输入数据(诸如，图像、音频、视频，以及文本)中压缩出来的系统、方法...

稀疏高斯过程    稀疏高斯过程（SparseGaussianProcess，简称SGP）是机器学习领域中一种重要的模型，它继承了标准高斯过程（Standard Gaussian Process，简称SGP）的优点，同时具有较好的稀疏性能，可以减少其模型参数，使其占用更少的存储空间。稀疏高斯过程可以被用于大规模数据的建模以及概率预测，这非常适合于应用在深度学习中。 ...

拉普拉斯先验概率密度分布1. 引言在贝叶斯统计学中，先验概率是指在观察到任何数据之前对未知量的概率分布的估计。先验概率可以通过已有的经验、领域知识或者主观判断来确定。拉普拉斯先验概率密度分布是一种常见的先验分布之一，它在贝叶斯推理中有着重要的应用。2. 拉普拉斯先验概率密度分布的定义拉普拉斯先验概率密度分布是一种连续型的概率密度函数，通常用于描述未知量的可能取值范围和对各个取值的偏好程度。其数学表...

稀疏微波成像原理稀疏微波成像是一种利用微波信号进行物体成像的技术，其原理主要包括两个方面：1. 微波信号传播原理：微波是一种电磁波，其在介质中会产生散射和反射。当微波信号穿过一个物体时，会因为物体的不同介电常数而发生反射和散射。通过探测反射和散射信号的强度和相位信息，可以确定物体在空间中的分布情况。2. 稀疏成像算法原理：稀疏成像算法基于压缩感知理论，利用物体的稀疏性进行重构。具体而言，该算法通过...

机器学习中的稀疏表示及其应用研究近年来，随着机器学习技术的发展，越来越多的注意力被集中在了稀疏表示技术上。稀疏表示是一种在高维数据上进行特征提取的方法，它可以将原始数据压缩到一个更小的子空间中，从而提高了机器学习的效率和准确度。在本文中，我们将主要介绍机器学习中的稀疏表示技术及其应用研究。一、 稀疏表示的基本原理在机器学习中，稀疏表示通常是指使用少量基函数来表示原始数据。这些基函数通常由奇异值分解...

正则化与稀疏稀疏编码与稀疏表示的区别与联系稀疏编码与稀疏表示是机器学习领域中常用的技术，它们在数据处理和特征提取方面起到了重要的作用。虽然它们有一些相似之处，但在实际应用中也存在一些区别和联系。首先，稀疏编码和稀疏表示都是为了处理高维数据而提出的方法。在高维数据中，往往存在大量冗余和噪声，这给数据处理带来了困难。稀疏编码和稀疏表示通过压缩数据，提取出其中的有用信息，从而减少冗余和噪声的影响。稀疏编...