一种主奇异三元组提取的快速神经网络算法（英文）

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.     

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.     

隐式重新启动精化Lanczos双对角化方法

给出一种计算少数几个最小奇异三元组的隐式重新启动精化Lanczos双对角化方法,采用调和Ritz值作为位移,有效地逼近大规模矩阵的小奇异值的奇异三元组,算法用精化残量,精化奇异向量和精化Rayleigh商,同时采取压缩技术压缩掉已经求出的小的奇异三元组,数值实验表明,算法更有效地求解大规模矩阵的小奇异三元组,收敛速度也快.     

矩阵恢复的协方差矩阵估计算法

研究受高斯噪声干扰的低秩矩阵恢复。根据高斯噪声的统计性质,引入了协方差矩阵估计模型,构造出针对高斯噪声模型的低秩矩阵恢复算法。该算法基于最小化协方差矩阵核范数求解低秩矩阵,利用奇异值分解理论推导出模型的最优解。该模型结合高斯混合模型能够达到非常好的估计效果。仿真实验表明,该模型具有更快的收敛速度和更好的估计结果。     

基于小波变换和奇异值分解的模态参数识别方法

提出了一种新的基于小波变换和奇异值分解相结合的结构模态参数识别方法.该方法首先对环境激励下的结构加速度响应信号进行互协方差分析,得到时域互协方差响应,通过小波变换将互协方差响应转换到时频域中得到信号的时频系数并沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重组的奇异值和奇异向量中识别出结构的模态参数.文章对提出的方法进行了理论证明,通过三自由度系统的数值算例验证了该方法的可行性,表明与直接小波变换方法相比,其识别结果精度更高.     

一种用于高维大数据的协方差无关的主成分分析迭代算法(英文)

主成分分析是一种大家熟知的用于维数压缩的方法.主方向是协方差矩阵的最大特征值对应的特征向量.协方差矩阵的阶数等于数据的维数.当样本维数很高时,可以用阶数等于样本数的替换矩阵来计算主方向.然而,当样本的维数与样本数都非常大(即高维大数据)的情况下,主方向的计算就变得非常困难.提出了一个协方差无关的迭代主成分分析(CIPCA)算法,用于计算高维大数据情形下的主方向.证明了该算法以指数速度单调收敛到主方向的精确值.并在高维大数据集(图像数据集)上对CIPCA算法的性能进行了验证,实验结果显示使用CIPCA算法主方向的收敛速度非常快.     

基于SVD原理的PCA特征频率提取算法及其应用

针对实测转子位移信号存在噪声污染的问题,提出一种基于SVD原理的PCA特征频率提取算法。首先,从理论上推导了PCA与SVD的内在联系,即PCA产生的协方差矩阵特征值等于SVD产生的矩阵奇异值的平方,且PCA产生的特征向量等于SVD产生的左奇异向量;然后,基于上述结论,提出一种基于SVD原理的PCA特征频率提取算法,并通过仿真信号验证了算法的有效性;最后,将该算法应用于大型滑动轴承试验台主轴的轴心轨迹提纯,得到的轴心轨迹清晰、集中,可成功识别转子的不对中及碰磨故障。     

一种相邻相干信号的DOA估计新方法

提出一种估计相邻相干信号方位的新方法.该方法首先对传统空间平滑算法得到的数据协方差矩阵进行修正,然后对修正后的协方差矩阵进行奇异值分解,由左奇异矩阵得到噪声子空间;再构造新数据协方差矩阵,进行奇异值分解得到噪声子空间;最后取两次噪声子空间的平均值得到噪声子空间,利用MUSIC算法找到极大值对应的信号方向.计算机仿真表明,该方法能有效地估计出小信噪比下角度相隔较小的相干信号.     

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。     

带状态滞后的随机奇异系统分布式信息融合滤波器

基于满阶变换,原始带有状态滞后的随机奇异线性系统被转化为带有状态滞后和有色噪声的正常系统。应用新息分析方法,推导了任意两个传感器子系统之间的互协方差矩阵的计算公式。进一步,基于线性最小方差最优加权融合算法,给出了原奇异系统分布式融合滤波器。仿真研究验证了算法的有效性。     

基于sEMG和LSTM的下肢连续运动估计

针对下肢助力外骨骼的连续运动控制问题,提出了一种基于表面肌电信号(sEMG)与长短时记忆(LSTM)网络的连续运动估计方法.通过LSTM对肌电-运动的映射关系进行训练分析,基于奇异值分解特征值矩阵的误差算法获取主元分析(PCA)算法的主成分数量(降维维度),实现了对下肢三个关节在矢状面内的连续运动估计,且提高了连续运动估计的实时性.通过与传统网络支持向量机(SVM)、反向传播(BP)神经网络训练结果的对比分析,证明了LSTM网络在下肢连续运动预测中的优越性.     

基于声压振速联合处理的矢量阵旋转不变子空间方位估计方法

为提高声矢量阵旋转不变子空间法方位估计性能,提出一种基于声压振速联合处理的算法.该算法构造了声矢量阵声压和组合振速的互协方差矩阵,将均匀间隔引导角下的系列互协方差矩阵取均值,作为引导角未知的互协方差矩阵,然后进行旋转不变子空间(ESPRIT)方位估计.仿真和试验结果表明,在低信噪比时该算法比现有常规算法有更好的性能.该算法基于矢量传感器声压和振速的相干性原理,充分利用声压振速组合指向性抗干扰能力,可以更好地抑制各向同性干扰,提高阵列的处理增益,从而有更好的方位估计性能.     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

基于PCA-OS-ELM的大气PM2.5浓度预测

为了提高细颗粒物PM_2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合（PCA-OS-ELM）的PM_2.5浓度预测方法. 首先,通过主成分分析方法（PCA）提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机（OS-ELM）网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.      

增量型电场积分方程结合区域分解及奇异值分解方法分析微带结构

增量型电场积分方程(augmented eletric field integral equation,AEFIE)是一种新的全波分析方法,主要是用来解决大型复杂电磁学问题?AEFIE采用了分离电荷和电流的思想,对电场积分方程进行改革,使其成为低频问题的一种解法,此时积分方程的矢量位和标量位被分离,然后使用合适的频率归一化因子使它们趋于平衡,从而解决EFIE(electric field integral equation)方法中的低频崩溃问题?通过AEFIE方法分析电小尺寸的微带结构,为了能够有效地解决未知量过大的问题,利用远场相互作用形成的子矩阵块具有低秩特性,引入了矩阵分解与奇异值分解算法(matrix decomposition algoithm and singular value decomposition,MDA-SVD),节省了计算时间和内存需求?数值结果表明该方法的有效性和精确性?     

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.     

基于向量划分的复杂网络社区结构发现

社区结构是复杂网络最重要的结构特性之一,通过优化模块度来进行社区结构发现是目前使用最为广泛的一类方法.通过将网络看做有向图,模块度矩阵可表示为顶点的有向边向量表示的交叉协方差矩阵,但是该矩阵不是正定的.现有方法通过对该矩阵的进行谱分解,提取大于零的特征根对应的成分,将社区发现问题描述为向量划分问题.本文通过修正交叉协方差矩阵的对角线,使之满足正定性条件,将其表示为顶点向量的内积矩阵.因此,无须对模块度矩阵进行谱分解,甚至无须显式计算顶点的表示向量,就可以将基于模块度的社区发现问题重构为一个向量划分问题.进一步,从向量划分的角度解释了有限分辨率现象的根源,设计了以最大化向量夹角为指导的贪婪算法,该方法比直接优化模块度的方法有更高的异质社区分辨能力.在合成网络和真实网络上分别进行了实验验证,实验结果证实了所提方法的可行性和有效性.     

文本处理中基于随机映射的加速LSI方法

首先针对在文本处理的高维矢量环境中Kohonen自组织映射神经网络的计算瓶颈问题和输入矢量空间中存在的问题进行分析，然后对随机映射(RM)和隐含语义索引(LSI)方法分别进行理论分析，提出用于文本处理的基于随机映射的加速LSI方法．试验结果表明，加速LSI方法可以在凸现原有语义联系的基础上，低代价、有效、可控地解决上述问题，极大地降低文本处理环境中Kohonen自组织神经网络的规模和计算代价．     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.