跪求专业人士翻译!!!
发布网友
发布时间：2024-05-04 17:23
共1个回答
热心网友
时间：2024-10-06 05:26
与∅（十）：遥控^ Ð→河
这样，以下是正则函数J风险最小化：
该参数γ是一个积极的正规化常数。经过瓦特消除，电子一获得解决方案：
其中y = [y_1⋯y_N]，ρ_1= [1⋯1]，α= [α_1⋯α_N]和Ω=钾γ^（-1）我。由此产生的最小平方支持向量函数估计回归模型变为：
其中K（十，x_i）=∅（x）的∅（x_i）（1 = 1，⋯，N）为核心功能，必须满足Mercer条件，^（[3]）是拉格朗日乘子α和b几乎等于y的平均2.Proposed的理论与算法。
考虑一个二维图像是M = N × N的矩阵像素组成的，观测图像可以被视为一个函数为y =像素地区楼（九）与r ^ 2→R的^ 1，在输入（I，j）条是二维向量等于该行和该像素，在输出y是近似的强度值。^（[4]）的拉格朗日乘数α_（i和j的观测图像的像素Ÿ（一，十）可以很容易地计算式）列指数。（ 3）。
其中A =Ω^（-1），B组=（我^ ŦΩ^（-1））/（我^ ŦΩ^（-1）I）和O_α是一个N × N的矩阵定义为甲（一国际文凭）。请注意，
拉格朗日乘数α_（i和j的观测图像的像素Ÿ（一，j）是由矩阵O_α乘法和观察图像士元也就是说，拉格朗日乘数是由形象清新的影响S和随机确定）噪音北路
如均衡器。（4），可观测到的图像重建由内核与重量等于拉格朗日乘数的价值和适当的支持向量的线性组合。
对SVS的本地化，特别是成像应用，其中关键的是要保持一样的边缘和纹理细节适当的。正面的价值观与拉格朗日像素尝试提高自己和邻居的灰色的水平，而负拉格朗日乘数将尽量减少那些灰色的水平，他们似乎更暗.因此，有效地权衡拉格朗日乘数核函数估计强度的形象价值.
此外，随机噪声可以被视为力量，努力使拉格朗日乘数振荡的上方和下方的标准值。噪声可以降低平滑的拉格朗日乘数的价值，而锋利的边缘可能会在其中一个合适的内核具有代表性的非线性函数的能力范围内保留一定的依赖。
随着α在手，我们可以减轻对特定的内核功能扩展信号通过相应的加权系数α_（i和j一个数字0≤h_（i和j）≤1）的贡献。
问题补充：
参考资料
1] Mihcak旺角，科津采夫1，Ramchandran度（1999）空间自适应统计，小波图像系数建模及其应用去噪[ç]。 IEEE国际会议声学，语音和信号处理，凤凰
2] Suykens亚克，Vandewalle十（1999）最小二乘支持向量机分类器的研究[J]。神经处理信件，9（3）:293 - 300
3]普尼克五（1995年）的统计学习理论[M]的性质。纽约：施普林格出版社
4]程辉，田金文，柳健等人。（2004年）的小波域图像通过支持向量回归的研究[J]去噪。电子莱昂，40（23）：| 479 - | 481
