基于广义逆非负矩阵分解的无线传感器网络节能通信

针对无线传感器网络中通信数据的高维、高冗余现象,基于高维空间往往可以由其低维来本质表示这一特性,提出一种基于广义逆非负矩阵分解的无线传感器网络节能通信(giNMF)算法.首先,采用奇异值分解方法对原始通信数据矩阵进行初始化操作,求出其对应的特征空间;然后,采用非负矩阵分解方法对奇异值分解后的矩阵进行降维操作,利用乘法更新法快速求解出最终降维结果.仿真实验结果表明:giNMF算法能够对通信数据进行有效压缩,从而降低通信能耗,延长网络生命周期,达到节能的目的.     

基于主导变量选取的点估计随机潮流方法

随着系统规模扩大,随机潮流的快速求解成为其推广应用的前提,文章提出一种基于主导变量选取的点估计随机潮流方法和基于主导输入变量选取的降维方法,并在此基础上利用多项式正态变换法和矩阵奇异值分解生成具有相关性的输入变量点估计样本,从而将问题转化为若干次确定型潮流计算。对IEEE 118节点系统的仿真验证了该方法的有效性,计算结果表明,该方法可在误差容许范围内大大提高点估计法的计算速度,奇异值分解的使用让该方法可以灵活地处理相关系数矩阵非正定的情况,因而具有较好的工程应用价值。     

矩阵分解理论在降维中的应用

本文主要介绍矩阵论中的矩阵分解在计算机人工智能中的降维中的应用.从矩阵的奇异值分解和张量的高阶奇异值分解两个方面,结合张量子空间分析(TSA)和张量邻域保持嵌入(TNPE)两个算法,研究矩阵分解理论与降维的结合及应用原理.     

基于矩阵奇异值分解的文本分类算法研究

针对KNN文本分类算法在高维数据集上分类计算开销大、效率低的缺点,采用一种基于矩阵奇异值分解的文本特征向量降维方法实现向量降维的同时保留更多的分类信息.同时,采用信息增益的方式对原始文本特征词进行了初步筛选,过滤掉对分类系统几乎没有贡献的特征词,以克服文本特征维数增长所带来的奇异值分解计算开销过大的缺点.实验表明此方法能在保持分类精度的同时极大地降低分类计算开销.     

多维正态分布函数近似值的研究简

运用矩阵的Cholesky分解技巧和全概率公式给出了高维正态分布函数的近似计算公式.结果显示,高维正态分布函数可用低维正态分布函数的加权值来近似.该方法可推广到其它具有线性变换不变性的高维随机变量分布函数的计算.最后,给出了二维、三维和四维正态分布函数的计算实例,并和Cox的相关结果作了比较.     

多维正态分布函数近似值的研究

运用矩阵的Cholesky分解技巧和全概率公式给出了高维正态分布函数的近似计算公式.结果显示,高维正态分布函数可用低维正态分布函数的加权值来近似.该方法可推广到其它具有线性变换不变性的高维随机变量分布函数的计算.最后,给出了二维、三维和四维正态分布函数的计算实例,并和Cox的相关结果作了比较.     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

采用EMD和奇异值分解子空间重构的信号降噪新方法

传统的奇异值降噪法对适合奇异值分解的矩阵构造及信号重构时有效秩阶次的选取缺乏具有物理意义的依据.提出一种采用EMD和奇异值分解子空间重构的信号降噪新方法,通过对EMD方法得到的各阶IMF分量构造时频矩阵进行奇异值分解,将信号的特征信息分解到各个不同的时频子空间中,根据时频子空间的特征变化,选择相应的子空间进行奇异值分解逆变换,从而实现信号降噪.对仿真合成电信号及实测机械振动信号的降噪应用,表明该方法能有效地从原始信号中提取所需的信号特征成分,具有直观的物理意义.     

基于脊波变换的手指静脉图像增强研究

针对人体手指静脉图像的结构和特点,提出一种基于脊波变换的图像增强算法.该算法对手指静脉图像小波域各高频子带系数进行脊波变换,利用非线性新脊域系数确定法对脊域系数进行处理,然后对各高频子带进行脊波逆变换和小波图像重构.该算法对手指静脉二维曲线奇异处理、边缘增强等具有较好的效果,克服了小波变换在高维曲线奇异和方向选择上的不...     

基于奇异值分解的小波域数字水印方法

为提高不可见水印的鲁棒性,提出一种基于奇异值分解的小波域数字水印方法.该方法首先将原始载体图像进行2级小波变换,对第2级对角细节子图进行奇异值分解,得到水印嵌入位置;然后对二值图像水印进行Arnold变换和一维化处理,获得待嵌入的水印比特流,并根据该比特流和奇异值矩阵中各元素的不同组合嵌入水印;最后经小波子图重构和小波逆变换得到含水印的载体图像.实验结果表明:在噪声干扰、滤波、压缩、旋转、缩放、剪切等多种攻击下,该方法明显优于现有的一些奇异值水印方法.