L1-正则的最小二乘回归的加速随机梯度逼近算法

2019-03-20 13:35程一元费经泰
巢湖学院学报 2019年6期
关键词:收敛性正则噪音

程一元 费经泰

(1.巢湖学院 数学与统计学院,安徽 巢湖 238000;2.安徽建筑大学城市建设学院 基础部,安徽 合肥 238076)

0 引言

1 算法的提出

在本研究中考虑L1正则化的最小二乘回归加速梯度算法。其创新之处在于,可以得到非渐近速率为Ο(1n n/n)的收敛结果。为了给出随机加速梯度的收敛性质,对于回归问题的算法,提出以下假设:

假设(A—D)是随机逼近里的基本假设,与文献[8]假设相似。但与文献[8]比较本研究没有方差算子 H=E(xk⊗xk)的假设条件:E(ξi⊗ξi)≺σ2H。||θ||1是不可微函数,借助stoklev函数去逼近它。对于 δ>0,有

这里的 ω(||θ||,d)代表函数||θ||1的光滑模型。函数光滑模型的性质有

根据上面的分析,给出最小二乘的加速随机梯度算法:

算法1 最小二乘的加速随机梯度算法已知:θ0=α0=1,第 1 步:θag 0=θ0第 2步:θmd k=(1-αk)θag k-1+αkθk-1,第 3 步:zk=(▽g(θmd k )+,▽h(θmd k ))/α2 k第 4 步:θk=θk-1-λkzk,第 5 步:θag k=θmd k-βkzk,第6步:k=k+1,返回到第二步直到满足精度要求。

2 算法的收敛性分析

为了研究加速随机梯度算法的收敛速度,借助文献[9]引理2.1,得到定理1。在定理1的基础上,分析研究最小二乘回归加速梯度算法的收敛性。

3 数值实验

通过在两个不同噪声水平的合成噪声数据集上进行比较。图1是没有噪音下的,图2在噪音σ=0.1的水平下。从图中的比较可以看出,算法1的收敛速度要快于文献[4]和[8]的收敛速度。

图1 无噪音下收敛速度的比较

4 结语

图2 有噪音σ=0.1下收敛速度的比较

猜你喜欢
收敛性正则噪音
J-正则模与J-正则环
π-正则半群的全π-正则子半群格
Virtually正则模
噪音,总是有噪音!
Lp-混合阵列的Lr收敛性
无法逃避的噪音
WOD随机变量序列的完全收敛性和矩完全收敛性
剩余有限Minimax可解群的4阶正则自同构
END随机变量序列Sung型加权和的矩完全收敛性
噪音的小把戏