非负解

摘要： 主要研究带关闭期的随机 N-策略的 M/G/1排队系统 .用算子理论把该模型转化成抽象的Cauchy问题,证明对应该模型的主算子生成一个 C0-半群 T(t) ,得到该模型存在非负的唯一解 .

摘要： 利用格林函数讨论时间模上的二阶非线形方程组两点边值问题至少两个非负解的存在性.

摘要： 在具有四类故障可修复系统基础上增加一个预警状态,提出了包含三个独立相同部件的具有预警功能的可修复系统模型,运用泛函理论及半群理论讨论系统主算子谱的特征分布及主算子的性质,进而证明具有预警功能的四类故障系统的非负解的存在唯一性和稳定性问题.

摘要： 运用集中紧致原理、变分方法以及局部极值方法,研究广义Choquard-Pekar方程一△u+a(x)u=∫RNQ(x,y)u2(y)dy/|x|h|x-y|r-2h|y|h·u(x)+g(x),x∈RN.作者得到一定条件下这类问题的两个非负解的存在性.其中一个解是通过局部极小得到的,另一个是运用山路引理得到的.%In the paper,we used variational method to study the generalized Choquard-Pekar equation on RN.We get that there exists two non-negative solutions for our problem,one solution is a local minimum and the other is of the mountain pass type.

摘要： 研究了RN中一类带有非局部项的(p,q)-Laplace方程非负解的存在性.在f(x,t)满足一定条件下,得到能量泛函Cerami序列的有界性,结合变分法证明了非负解的存在性.

摘要： 研究了修复不如新情形下刮板沉降箱式除尘可修复系统的适定性问题.首先将系统方程转化为Banach空间下的抽象Cauchy问题,进一步通过线性算子半群理论证明了系统的适定性.

摘要： Under the conditions of the life time of unit following exponential distribution and repair time subjecting to the general distribution, this paper analyzes the scraper settling chamber Reparable system with dust removing.We discusses the problem of the existence and uniqueness of the system solution by integral equation theory.%对部件寿命服从指数分布、修理时间服从一般分布条件下的刮板沉降箱式除尘可修复系统进行了分析,并运用积分方程理论讨论了系统非负解的存在唯一性.

摘要： 该文运用变分方法研究RN上一类拟线性椭圆型方程,得到一定条件下这类问题的两个非负解的存在性.其中一个解是通过局部极小得到的,另一个是运用山路引理得到的.

摘要： 研究了高阶差分方程x=αx/1+xx…x 非负解,其中初始条件x,…,x∈R,k∈N.

摘要： 本发明公开了一种空谱联合多约束优化非负矩阵解混方法，其步骤为：1)高光谱端元数量估计；2)构建端元光谱最小距离约束项；3)构建丰度混合范数稀疏性约束项；4)构建丰度图梯度域群稀疏性约束项；5)建立空谱联合多约束优化非负矩阵解混模型；6)交替方向迭代求解；7)输出解混所得端元及丰度图。本发明充分利用高光谱图像端元光谱与几何质心距离最小，丰度稀疏性及分片光滑特性，通过多约束限制端元和丰度求解的搜索空间，避免局部最小，通过迭代求解得到最优解；与传统经典非负矩阵解混模型方法相比，本发明提高了解混的精度，增强了方法对噪声的鲁棒性，可广泛应用于国土资源、矿产勘测和精准农业领域的高光谱无监督解混。

摘要： 本发明公开一种基于约束非负矩阵分解的高光谱解混方法，包括步骤：S1、将丰度矩阵的稀疏性约束、丰度图的平滑性约束、端元的平滑性约束整合到NMF方法的目标函数中，以得到所需的整体目标函数；S2、初始化端元矩阵A、丰度矩阵S、辅助矩阵L和权重矩阵W；S3、对端元矩阵A、丰度矩阵S、辅助矩阵L和权重矩阵W进行迭代更新求解，并判断是否达到终止条件，若未达到则利用更新后的结果继续进行迭代更新，若达到则停止迭代并输出最终的端元矩阵以及丰度矩阵。本发明结合高光谱数据特点，引入端元平滑性约束、丰度稀疏性约束、丰度平滑约束，以限制解的范围，获得更符合真实数据的解，减少解混误差。相比其他传统方法，在端元提取和丰度估计方面都取得了较好结果。

摘要： 一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法，包括对所建立数据库的电气符号进行去躁和归一化处理，得到符合相同标准的电气符号；对标准电气符号和手工绘制电气符号提取Gabor特征，同时对Gabor特征进行主成分分析处理；相同类型的手工绘制电气符号与标准电气符号具有内在的联系，具有共同的符号表示信息，为了得到了其共同表示信息，对所得标准电气符号和手工绘制电气符号特征进行联合非负矩阵二分解；之后采用线性判别分析进行建模；最后采用基于欧式距离的最近邻分类器进行分类识别。本发明充分利用了手工绘制电气符号和标准电气符号之间的共同表示信息，具有较强的鲁棒性。

摘要： 本发明提供了一种基于局部邻域约束的深度非负矩阵图像解混方法和设备，深度非负矩阵图像解混方法包括：输入图像的原始数据至NMF模型；将原始数据拆分为三层，初始化每一层原始数据，得到初始化数据；对初始化数据进行预训练；将预训练后的初始化数据再输入NMF模型进行优化迭代，直至收敛；输出收敛后的解混结果。本方法利用局部邻域约束对丰度矩阵进行约束，同时借助深度学习的思想，将单层的NMF模型扩展到深度NMF模型，降低误差累积。

摘要： 本发明公开了一种基于非负矩阵分解的即插即用高光谱图像解混方法，本发明联合考虑了手动选择正则项和通过学习获得的正则项，进而利用高光谱图像中的先验信息。本方法使用降噪器学习光谱和空间信息，避免人工设计正则化器和解决复杂的优化问题。本发明也使用了手工正则项来引入图像中一些物理上明确的先验。本发明以稀疏正则项为例，加入丰度稀疏的先验知识，说明联合使用设计的正则化项和学习的正则项可以有效提高解混精度。本发明中的降噪器不仅能够引入先验信息，同时，降噪器的降噪特性也提高了算法对噪声的鲁棒性。

摘要： 本发明涉及一种基于非负稀疏自编码器的盲端元提取与光谱解混方法，该方法的一个具体实施方式包括：对原始高光谱图像进行波段选择，将经过波段选择之后的高光谱图像中任一像元的光谱通道数据输入非负稀疏自编码器；非负稀疏自编码器包含输入层、多个隐藏层和输出层；在输出层的输出数据能够复现光谱通道数据的情况下，获取多个隐藏层中最后一个隐藏层的每一神经元的激活值以及最后一个隐藏层的每一神经元与输出层的权重向量；将每一神经元与输出层的权重向量确定为一个盲端元的光谱数据，将该神经元的激活值确定为对应于该盲端元的丰度，从而实现任一像元的光谱解混。该实施方式能够通过非负稀疏自编码器实现高精度的盲端元提取与光谱解混。

摘要： 一种基于对偶图正则化的联合非负矩阵二分解的微表情识别方法，首先对于训练集宏表情和微表情数据提取相关特征，同时测试集微表情数据提取与训练集微表情相同的特征，其次，通过特征选择和数据标准化将宏表情和微表情数据进行对齐，并将宏微表情数据进行重组；将重组后的数据矩阵进行基于对偶图正则化的联合非负矩阵分解，对系数矩阵施加MMD约束和对偶图正则化约束保证宏微表情数据联系最大化，多次迭代学习最优的训练基矩阵和训练系数矩阵；采用学习的训练基矩阵获取测试集微表情系数矩阵，将测试集系数矩阵与训练集系数矩阵进行最近邻分类。本方法将宏表情数据引入微表情数据域，从另一种角度扩充了微表情数目，有效提高了微表情识别率。

摘要： 本发明提供了一种基于信息熵稀疏的深度非负矩阵解混方法和存储介质，方法包括：对端元矩阵和丰度矩阵进行VCA‑FCLS初始化，并建立深度NMF解混模型；将初始化后的端元矩阵和初始化后的丰度矩阵作为第一目标函数的输入，并利用第一目标函数，基于乘性迭代规则对深度NMF解混模型预训练；利用梯度下降法迭代更新预训练后的端元矩阵和丰度矩阵；将更新后的端元矩阵和更新后的丰度矩阵作为第二目标函数的输入，并利用第二目标函数对预训练后的NMF解混模型迭代微调；再次迭代更新微调后的端元矩阵和丰度矩阵，并通过数据分析确定第二目标函数的最优参数；根据最优参数获得NMF解混模型的全局最优解。

摘要： 本申请涉及一种基于加权非负矩阵分解算法(NMF‑CLS)的光谱图像解混方法，包括：基于标准光谱数据库，采用NMF‑CLS算法对测试获得的光谱进行解混，获得待测样本中所包含的已知分子的种类及其相对浓度。本申请的NMF‑CLS算法可以获得复杂样本中已知分子的种类及其相对含量，并可以排除数据库内未包含的分子对解混的影响。

摘要： 本发明公开一种基于约束非负矩阵分解的高光谱解混方法，包括步骤：S1、将丰度矩阵的稀疏性约束、丰度图的平滑性约束、端元的平滑性约束整合到NMF方法的目标函数中，以得到所需的整体目标函数；S2、初始化端元矩阵A、丰度矩阵S、辅助矩阵L和权重矩阵W；S3、对端元矩阵A、丰度矩阵S、辅助矩阵L和权重矩阵W进行迭代更新求解，并判断是否达到终止条件，若未达到则利用更新后的结果继续进行迭代更新，若达到则停止迭代并输出最终的端元矩阵以及丰度矩阵。本发明结合高光谱数据特点，引入端元平滑性约束、丰度稀疏性约束、丰度平滑约束，以限制解的范围，获得更符合真实数据的解，减少解混误差。相比其他传统方法，在端元提取和丰度估计方面都取得了较好结果。