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。     

对称加权算法对数据矩阵补全的优化研究

数据分析中存在数据集矩阵缺失,可用数据矩阵补全缺失数据元素,高效的补全数据矩阵算法可从算法精度等方面优化提升.为此提出对称加权(SW)算法,首先,根据通用的矩阵补全模型,用正则化方法进行低秩矩阵分解补全;其次,对分解后的矩阵因子用共同的对称矩阵加权,得到新的矩阵补全模型和正则化加权函数;最后,结合块坐标下降和交替最小二乘法优化算法,迭代得到目标函数最优解,获得数据补全的最优补全矩阵.仿真结果表明,与APALM,IRSVF和IRNN算法相比,对称加权算法在数据矩阵补全的精度和算法收敛速度方面均有较好提升.     

一种自适应的鲁棒性矩阵补全方法

针对传统矩阵补全无约束优化模型在处理奇异噪声损坏的缺失矩阵时鲁棒性较差的问题,提出一种自适应的鲁棒性矩阵补全方法.该方法在目标函数中使用截断核范数作为秩函数旳低秩逼近,并采用对奇异噪声鲁棒的F范数作为损失项恢复矩阵中的缺失值,以降低异常值对算法的影响,提高恢复精确度.在求解该模型过程中,先采用凸优化技巧引入一个动态权重...     

低秩张量分解的多视角谱聚类算法

针对传统多视角学习算法只关注从多视角中提取共享信息而忽略了各视角的特有信息和高阶关联的问题,提出了一种基于截断核范数的低秩张量分解的多视角谱聚类算法。计算各视角的样本相似度矩阵和转移概率矩阵,构建一个包含各视角马尔可夫转移概率矩阵的张量,从而保留各个视角的信息。采用基于张量奇异值分解的截断核范数约束目标张量的秩。通过最小化张量截断核范数,学习到一个既包含各个视角共享信息又具有高阶关联的张量。利用迭代最优化算法求解目标函数,将求得的目标张量输入谱聚类算法得到聚类结果。在4个不同类型数据集上进行实验并与传统聚类算法进行了对比,结果表明:所提算法在4个数据集上的标准互信息度量值比标准谱聚类算法的分别提高了7.9%、24.9%、29.5%、8.1%,比LT-MSC算法的分别提高了3.4%、18.1%、17.6%、6.6%。通过对非负平衡参数在0.000 1～100之间的测试发现,所提算法表现基本稳定,在非负平衡参数取0.1～1之间表现良好。与传统多视角聚类算法相比,所提算法可有效增强各视角之间的互补性和高阶关联,并且具有良好的准确性和鲁棒性。     

基于K-L算法的投影图正则非负矩阵分解

通过对投影非负矩阵分解(PNMF)增加数据点及其邻近点的约束,提出一种基于图正则化的投影非负矩阵分解(PGNMF)方法。PGNMF保留了数据在低维特征空间中局部几何结构的同时又对系数矩阵进行稀疏约束,既减少了存储空间,也提高了算法效率。理论分析和数据实验都验证了该算法的有效性。     

基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户...     

一种新Tikhonov正则化方法

由矩阵变换得到一种新的Tikhonov正则化方法,是截断奇异值法和Tikhonov正则化方法的结合.通过3种正则化方法的滤波因子,对3种方法进行概括.并通过大地测量中的控制网平差、重力向下延拓的实例对3种方法进行比较,得出新方法在减小解均方误差、提高未知数的精度等方面具有一定的有效性.     

Moore-Penrose广义逆矩阵的一些性质

给出Moore -Penrose广义逆矩阵的一些性质 ,不相容线性方程组AX =b ,当A发生扰动E =(0 ,… ,a ,… ,0 ) ,b发生扰动Δb时 ,最小范数最小二乘解的扰动估计。     

正则化的精度矩阵估计的解轨迹

精度矩阵在高斯图模型中具有广泛的应用,许多正则化方法用于精度矩阵的估计问题,然而却很少有对其解轨迹的关注。本文主要利用条件数正则化协方差矩阵估计的方法来探索精度矩阵估计的解轨迹,数值模拟结果表明该轨迹算法可以便捷地描绘出精度矩阵估计的解轨迹。     

判别正则化谱回归

谱回归(SR)算法是一种正则化的降维方法,通过学习获得回归框架下的嵌入函数,使其避免了稠密矩阵分解的问题.但是在谱回归的构图中,更加关注于类内信息,而忽视了很重要的类间信息.为此,提出一种新的降维算法——判别正则化谱回归(DRSR).它将数据集的判别信息和流行结构同时嵌入到正则项的构造中,期望使输出结果即保持同类样本间的内在邻近关系,同时又能将不同类的近邻样本尽可能分得开.最后,分析了这种算法的优缺点,并在两个常用的数据集(Yale和wine)上验证了算法的可行性及有效性.     

秩1扰动矩阵谱条件数的界

研究了一类秩1扰动矩阵谱条件数问题,根据原正定矩阵的特征值分解,利用秩1扰动矩阵的性质,给出了谱条件数的最大最小值。     

基于TV与gamma范数的非凸秩近似在矩阵补全中的应用

现实生活中,由于运动模糊、光学模糊等因素的影响,获取的图像往往是模糊、不完整的,即图像内容质量下降、细节特征被掩盖,从而影响图像的视觉效果及应用.矩阵补全(Matrix Completion, MC)的目的是将获得的模糊、不完整图像以最大的保真度恢复出完整清晰的图像.该文采用gamma范数代替传统的核范数作为秩函数的非凸近似,与核范数比较,gamma范数大大减弱了大奇异值的贡献,使得较小奇异值的贡献接近零;同时引入全变差(Total Variation, TV)正则项保留图像本身真实的边缘信息和细节信息,从而避免恢复出的图像过度光滑;接着,应用增广拉格朗日乘子法求解模型;最后,通过数值实验验证文章提出的算法较现有求解矩阵补全的算法更高效.     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。     

激光自混合干涉技术中两种不同形式功率谱密度反演颗粒粒度分布的比较

激光自混合干涉技术中颗粒粒度分布反演属于病态问题.为了得到较好的颗粒粒度分布,采用Chahine算法作为非负算法,分别对激光自混合干涉线性和对数形式的功率谱密度进行颗粒粒度分布的反演,比较了两种功率谱密度对应的颗粒粒度分布,并且采用Morrison迭代算法平滑Chahine算法的初始向量,减缓了颗粒粒度分布的振动.仿真结果表明对数形式的功率谱密度反演所得的颗粒粒度分布具有更好的抗噪声能力和稳定性.     

数据分类的两步矩阵投影算法

化工过程的数据分类是进行数据校正和协调计算的基础。常用的两层次矩阵投影变换算法在对未测数据进行分类时,可能无法识别出所有的不可估计型数据。为了准确地将可估计型和不可估计型数据分开,采用Crowe等人提出的投影矩阵,引入矩阵的绝对线性无关列的概念,提出了新的数据分类方法。数学推导证明,此方法对化工过程未测数据分类彻底,并用一个示例将新旧算法对未测数据的分类结果进行了对比,验证了新算法作数据分类的正确性。     

基于矩阵填充的肿瘤基因表达谱数据缺失点估计

为解决肿瘤基因表达谱数据后续研究需要完整数据矩阵的问题,针对包含缺失点的数据集。提出基于矩阵填充(matrix completion)与模糊C均值(fuzzy c-means algorithm,FCM)相结合的缺失点估计方法(FCM_MC)。该方法充分利用肿瘤基因表达谱数据的冗余信息,通过模糊C均值聚类得到具有良好的低秩特性的基因语义片段,再利用矩阵填充方法分别对每个语义片段进行缺失点的重建。在不同数据集上进行实验,与传统缺失点估计算法比较。实验表明FCM_MC算法在缺失数据估计准确度和类结构保持度上效果得到有效提升,同时运行效率较高。     

基于L0矩阵范数正则化的自然图像去反光算法

去除图像的反光是计算机视觉和计算机图形学的一个基础研究问题。虽然各种方法已经提出,但由于存在丰富的纹理、复杂的背景、遮挡和颜色照明等,去反光的效果并不佳,有待进一步完善。本文针对自然图像的两个观察结果：(1)高光通常是小尺寸和稀疏分布的;(2)剩余的漫反射图像可以用少量基色与稀疏和低秩加权矩阵的线性组合表示,提出一种基于L0范数正则化图像去反光算法。通过L0范数正则化保证编码系数的稀疏性以及核范数保证编码系数的低秩性来恢复那些高光区域的漫反射分量。此外,根据加色混合理论和光照定义,编码系数和高光也分别受到非负性影响。通过对比相关的图像反光去除算法,实验说明了所提出的算法具有较好的优势。     

漏缺数据平稳时间序列下的谱密度估计

在天文学和医学领域,非均匀抽样数据的谱什计已获得广泛研究.这些研究通常是在周期性的探测和决定性的信号环境里进行的.本文从另外的角度考虑估计漏缺数据平稳时间序列的谱密度,提出了一种渐近无偏的估计方法.使用模拟方法把它与古典周期图、LOMB周期图以及基于SVD的周期图进行对比,结果显示这种新方法很大程度上降低了偏差.     

一维波动方程反问题的不适定性及正则化分析

基于一维波动方程反问题的数学模型,应用奇异值分解分析算子方程的不适定性。讨论了正则解的求解方法,并利用Tikhonov正则化方法克服反问题的不适定性。最后根据正则化参数的确定原则,采用精度高和适应性更好的遗传算法确定最优正则化参数。