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。     

基于张量秩校正的图像恢复方法

针对医学图像和视频图像的恢复问题,基于张量表示,研究有限样本下的低秩张量数据恢复问题,在张量奇异值分解(t-SVD)理论的基础上,提出了张量秩校正模型和两阶段张量秩校正方法,第一阶段是用张量核范数最小化模型求得预估解,第二阶段,根据预估解,求解张量秩校正模型,获得更高精度的解.构建了求解张量秩校正模型和张量核范数最小化模型的张量近似点算法,使得可以在实数域上对张量直接进行计算,并且从理论上证明了该算法的收敛性.通过对医学图像和视频图像的数值仿真实验,验证了本文所提出模型和方法的有效性,实验结果显示,张量秩校正模型和方法能够取得更高的恢复精度.     

基于对数行列式实现的矩阵补全算法

传统的基于低秩假设的矩阵补全模型常常对目标矩阵采用核范数的约束,由于核范数对秩函数的近似不够精确,基于核范数的低秩模型可能无法产生最优的效果。为此,采用对数行列式代替核范数,提出基于最小化矩阵对数行列式的矩阵补全模型。研究结果表明,基于最小化对数行列式实现的矩阵补全算法能够有效地恢复矩阵的低秩信息,能够有效地补全图像的缺失信息。     

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。     

低秩表示和加权核范数最小化的子空间聚类

为了进一步提升基于核范数和F范数最小化的子空间聚类算法的性能,使用加权核范数扩展上述两种范数.提出的算法中含有一个参数γ,当γ=0时,可得到核范数;当γ=1时,可得到F范数;当0γ1时,可得到介于核范数和F范数之间的范数.采用交替方向乘子方法和线性交替方向乘子方法求解所提算法的目标函数,并由此得到了2个基于加权核范数最小化的低秩子空间聚类算法.利用Extended Yale B人脸数据集、MNIST手写字符数据集和USPS手写字符数据集进行实验.实验结果表明:和现有的子空间聚类方法相比,所提算法可以得到较高的聚类精度.     

增强的张量鲁棒主成分分析模型及其应用

鲁棒主成分分析（RPCA）是处理图像恢复和背景建模问题的常用模型。针对原始RPCA及其改进模型对输入数据低秩结构的依赖性过强问题，提出一个增强的张量鲁棒主成分分析模型（E-TRPCA）并构造了一个新的增强张量核范数（E-TNN）正则项。E-TNN基于张量数据的低维子空间投影约束其低秩性，可以更真实地反映张量数据的潜在结构，增强模型的泛化性。利用交替方向乘子算法（ADMM）对目标函数进行优化求解，在图像去噪和背景建模上的实验结果表明所提方法在图像恢复效果和运行时间方面要优于当前的其他方法。     

矩阵秩优化问题的一种分离算法

具有线性约束的最小矩阵秩优化问题在控制、信号处理、系统识别等领域都有着广泛的应用。在矩阵优化问题中,矩阵的秩能够反应数据的稀疏性,但由于矩阵秩函数的非凸性,矩阵秩优化问题一般解决起来比较困难。目前,矩阵核范数的应用对于解决矩阵秩优化问题提供了有效的工具。具有线性约束的最小核范数问题为最小秩问题最紧的凸松弛问题,对于最小核范数问题,如今已存在大量的算法,而可以解决最小化2个下半连续凸函数之和这一类优化问题的Douglas-Rachford分离技巧也同样可以用于此类问题的研究,运用此类技巧得到的算法具有良好的稳健性、有效性和收敛性。     

增强的张量鲁棒主成分分析模型及其应用

鲁棒主成分分析（RPCA）是处理图像恢复和背景建模问题的常用模型。针对原始RPCA及其改进模型对输入数据低秩结构的依赖性过强问题，提出一个增强的张量鲁棒主成分分析模型（E-TRPCA）并构造了一个新的增强张量核范数（E-TNN）正则项。E-TNN基于张量数据的低维子空间投影约束其低秩性，可以更真实地反映张量数据的潜在结构，增强模型的泛化性。利用交替方向乘子算法（ADMM）对目标函数进行优化求解，在图像去噪和背景建模上的实验结果表明所提方法在图像恢复效果和运行时间方面要优于当前的其他方法。     

基于对数全变分极小化的张量补全

在张量补全问题中,低秩性与局部光滑性是被高频使用的先验信息,因此有许多与其相关的研究.而且为了更精确地恢复图像,低秩性正则与编码局部光滑性的全变分正则往往会被以简单加权组合的方式引入相关模型.但许多真实图像往往同时具有低秩性与局部光滑性先验信息.此外,在这些模型中张量核范数常被用于挖掘低秩性先验,但它平均地缩小所有奇异值,从而不能很好地保留图像信息.为此,提出了张量对数相关全变分（TLOGCTV）正则,其中使用了张量对数范数而不是核范数,从而更好地挖掘低秩先验信息,同时,使用全变分刻画局部光滑性先验信息.而且相较于简单加权组合方式引入正则的模型,所提出的模型仅需要一个平衡参数.随后基于该正则项建立了相应的张量补全模型,并且给出该模型的优化求解算法.在多光谱与高光谱上的一系列实验验证了模型的有效性.     

基于加权核范数最小化的红外弱小目标检测

提出一种基于加权核范数最小化的红外弱小目标检测方法.该方法将原始红外图像转化为新的红外块图像模式,在红外块图像上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法;同时,给出了一种自适应阈值分割方法,准确地从稀疏目标图像中提取出弱小目标.基于天空、海洋、山地、沙漠4种不同场景进行红外弱小目标检测,并比较了该算法和已有算法的性能,结果表明:该算法能有效地降低复杂背景边缘产生的虚警,提高目标检测准确率.