基于低秩矩阵恢复的视频背景建模

针对传统背景建模存在的问题,文中基于低秩矩阵恢复原理,直接从视频序列中分离出前景物体和背景模型.已有低秩矩阵恢复算法的迭代计算过程中涉及大量的奇异值分解,而这些奇异值分解一般非常耗时且不够简洁,文中在非精确增广拉格朗日乘子法中引入线性时间奇异值分解算法,以得到更加有效的背景建模算法.基于实际视频序列实验,结果表明该改进算法具有更好的建模效果和较少的运算时间.     

基于奇异值分解的粮虫图像增强

在经典图像增强算法和矩阵奇异值分解的基本理论的基础上,提出了基于奇异值分解的粮虫图像增强算法,该方法没有繁琐的数学变换,实际应用时可以根据需要通过调整高斯噪声的方差来获得不同的图像增强效果,通过增强奇异值矩阵达到增强图像的目的,具有与经典算法相同的功效.通过实验与经典算法对比,Matlab平台的仿真实验表明,该方法对于粮虫图像增强是可行有效的,且简单易行.     

四四元数域低秩逼近及其在矢量阵列波达方向和估计中的应用

提出了新的多元数概念——四四元数,以及四四元数框架下特征分解和奇异值分解等信号处理领域常用的矩阵运算新规则.在此基础上提出了四四元数矩阵的一种低秩逼近算法,并将其用于矢量传感器阵列信号建模及波达方向(DOA)估计中.结果表明,四四元数特征分解及奇异值分解能获得比现有方法更好的低秩逼近性能,基于四四元数模型的矢量传感器阵列信号DOA估计算法,在资源占用、子空间逼近以及对模型误差的鲁棒性等方面均明显优于传统算法.     

随机增量张量奇异值分解与人脸识别新算法

本文新提出随机增量张量奇异值分解方法.当数据逐步增加时,新方法能够在保持原数据的随机奇异值分解基础上,通过计算新增数据的奇异值分解得到更新后数据的张量奇异值分解.基于随机增量张量奇异值分解建立新的人脸识别模型.数值实验表明新模型与已有人脸识别模型相比具有较高的识别率.     

基于奇异值分解的藏文Web不良信息检索算法研究

阐述了藏文Web不良信息的特点、类型、危害性,设计了倾向性藏文Web不良文本过滤系统结构.提出一种藏文Web不良文本检索算法.该算法从不良文本中提取倾向性关键词项,根据矩阵奇异值分解方法中的转移概率构造出倾向性关键词项的状态矩阵,提取平面坐标空间第一像限的奇异值向量作为复特征向量,利用向量间的余弦相似度作为文本检索的相似度度量.实验结果表明,该算法在检索准确率和运算效率上都优于传统的LSA算法.     

基于广义奇异值分解算法的电离层三维层析模拟

为了研究广义奇异值分解(GSVD)算法在电离层三维层析中的可行性,利用 IRI2001模型所提供的电子密度场构建的TEC模拟观测值.根据不同的测站、卫星源和初值,设计了4组模拟实验,利用广义奇异值分解算法反演电子密度.通过对比电子密度的模拟反演值和模拟真值,分析了站点分布、射线数量和初值选取对层析结果的影响.研究结果表明,广义奇异值分解算法理论上可用于电离层三维层析研究.在理想情况下,利用广义奇异值分解算法可较好地重建电离层电子密度三维分布.但当测站分布不好,或有效射线数较少时,重建质量将会受到较大的影响,在实际应用中合理选取初值可较好地重建电离层三维电子密度分布.     

基于协方差矩阵同时对角化的盲信号分离算法

提出了基于自相关协方差矩阵同时对角化的两个盲源信号分离算法. 利用广义奇异值分解(GSVD)算法,将源信号观测数据预白化后的零阶和一阶自相关协方差矩阵同时对角化,估算出两路源信号. 与二阶盲识别(SOBI)算法进行了比较,该算法具有计算简单且运算精度高的优点. 在线性混合加噪模型下,计算机仿真表明该算法的有效性.     

基于双边迭代奇异值分解的递推子空间辨识方法

引入双边迭代奇异值分解算法，通过一系列的QR分解，用两个矩阵分别逼近奇异值分解的主要左、右奇异向量，用一个三角矩阵逐渐逼近主要的特征值，从而取代了原始MOESP子空间辨识算法中的奇异值分解步骤。通过用一系列Givens变换来实现QR分解的数据更新，实现了此类子空间方法的在线递推辨识。仿真表明，该方法可以有效地对系统的极点进行跟踪。     

基于奇异值分解的曲面拟合算法

奇异值分解是一种非常重要的矩阵分解,将其应用到曲面拟合上,给出一种基于奇异值分解的曲面拟合算法,并详细介绍该方法的原理.实验结果表明,采用该算法进行曲面拟合,能得到比较满意的拟合效果.     

基于SVD的数字水印算法及相似性度量方法的改进

在基于奇异值分解(SVD)算法的基础上,提出了一种基于Strassen矩阵乘法的奇异值分解水印算法;提供了原图像和水印图像的相似性度量方法;给出了该算法与SVD及Block-SVD算法的时间对比分析.实验结果表明:该算法的鲁棒性强,速度快,效率高.     

用网络实现矩阵奇异值分解

用网络求实对称矩阵的特征值及其相应的特征向量。从而实现矩阵的奇异值分 解。在只需求出几个较大特征值的情况下，这种方法比较简单并易于并行实现。文中还 提出逐步求矩阵的特征值和特征向量的剥去法。给出了有关证明和算例。     

结构健康监测传感器优化布置的混合算法

提出了一种基于模型减缩和线性模型估计理论的、用于建筑结构健康监测中传感器布置的新算法．根据选定的主、从自由度，用改进减缩系统方法来减少初始结构的自由度数目．然后，基于线性模型估计，以所选定的目标模态为线性模型的设计矩阵，用奇异值分解处理设计矩阵．用分解后的前几个左奇异向量计算每一个自由度对于结构模态的贡献．最后用迭代算法来确定所需的传感器数量和位置．算例表明，此种混合算法适用于建筑结构监测的传感器布置计算．     

一种主奇异三元组提取的快速神经网络算法

为了对两路高维数据流的互协方差矩阵进行在线奇异值分解,提出了一种快速稳定的主奇异三元组提取神经网络算法。首先,提出了一个新颖信息准则,并且基于该准则推导出了一个动态系统。然后,基于该动态系统,推导出了一种快速稳定的在线神经网络算法。该算法可以提取两路高维数据流的互协方差矩阵的左右主奇异向量。另外,算法中奇异向量的长度会收敛到一个与相应主奇异值相关的值,因而该主奇异值也可以被估计出来。相比于传统算法,该算法可以提取该矩阵的主奇异三元组而非仅仅是主奇异向量。与已有算法相比,该算法具有较低计算复杂度、较高收敛速度和稳定性。     

一种最大共轭梯度连续泛函的网络峰值预测

提出一种基于最大共轭梯度连续泛函的网络峰值预测算法和模型,分析网络峰值预测影响因素,建立一个包含网络流量、网络峰值范围和信号强度的SVM模型.采用SVM模型的主成分分析方法实现对网络峰值的PCA估计系统设计.通过最大共轭梯度连续泛函,在奇异半正定性双周期性复分析下,实现对网络峰值的预测,考察网络流量的波动以及网络信号对网络峰值影响贡献程度,对网络峰值特征进行状态信息融合处理,减少预测误差.实验结果表明,该算法对网络峰值的预测精度较高,预测误差控制在1.5%以内,性能优越.     

基于二元树复小波和SVD不变性的纹理图像分类算法

针对双树复小波变换(DT-CWT)用于图像的纹理特征提取时,不具有旋转和尺度不变性的局限,提出了一种基于DT-CWT和SVD的纹理分类算法.该算法首先利用DT-CWT从图像中提取出纹理特征,然后对纹理特征进行奇异值分解获得具有旋转和尺度不变性的特征向量,采用BP神经网络作为分类器,并提出改进的BP算法训练网络,使得网络很快找到全局最优解.将本方法与其他的分类算法进行比较,实验结果表明,本算法具有较高的分类正确率.     

二次非球面镜参数求解模型及求解算法研究

摘要：零位补偿检测的结果常作为非球面元件加工过程中的标准,当零位补偿器可能存在问题时能否保证非球面顶点曲率及二次曲面常数的精度是一个重要问题。本文基于二次曲面方程,建立了非球面顶点曲率半径R以及二次曲面常数k的求解模型并推导了基于奇异值分解SVD方法的求解算法。通过对一块孔径为1229mm的非球面反射镜进行模拟仿真计算,经过优化,该算法的求解精度可以达到△R＝0.1%,△k＝0.14%,从而实现对非球面镜零位补偿检测的有效补充。     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

超定低秩数据阵信号子空间的快速获取

针对超定低秩数据阵,利用超定低秩数据阵左右奇异矢量之间的关系与反幂法以及L－D－LT分解,研究信号处理中如何快速获取信号子空间,给出了一种获取信号子空间的快速算法,它比直接采用划值分解的运算量明显减少,并具有很高的精度,适合于相关的信号处理。     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

基于四元数理论与流形学习的多通道机械故障信号分类方法

提出一种基于增广四元数矩阵奇异值分解与流形学习正交邻域保持嵌入算法的多通道机械故障信号分类方法,通过引入四元数来耦合4个通道信号,并且利用四元数乘方的性质对数据进行增广处理,充分利用各通道信息并挖掘通道之间的相关性,从而减少因故障特征信息丢失对分类结果的影响。此外,针对传统奇异谱分析提取特征参数的分类效果受噪声影响较大的问题,引入正交邻域保持嵌入算法对奇异值序列进行维数约简,最后使用分类器完成故障分类。对仿真信号的分类结果表明,在强噪声背景下,相较于单通道奇异谱分析方法和机械故障信号中常用的排列熵方法,本文提出的方法分类效果更好。将其应用于更为复杂的实测轴承故障信号的分类与识别中,同样有着较好的效果。