数字图像的奇异值分解

通过对图像进行奇异值分解,将一幅图像转换成只包含几个非零值的奇异值矩阵,实现图像压缩。     

矩阵的奇异值分解与标准形

本文就矩阵的奇异值分解与矩阵标准形的联系作一些探讨。把奇异值分解推广到复矩阵,并指出它的特殊情况。     

奇异值分解定理的几何意义

该文从线性映射表示矩阵的化简问题以及函数的极值问题引进矩阵的奇异值分解定理,从而解释奇异值的几何性质以及矩阵奇异值分解的几何意义.     

奇异值分解在广义逆中的若干应用

讨论了作为矩阵理论和矩阵计算最基本、最重要工具之一的奇异值分解在表示各种广义逆以及证明A+的基本性质等方面的应用.     

基于奇异值分解自适应图像压缩的优化算法

结合图像质量评价体系,在基于奇异值分解的动态压缩比优化方法的基础之上提出一种新的优化算法.该优化算法可以解决基于奇异值分解的动态压缩比优化方法中不能根据不同图像的特点对每幅图像自适应地进行图像压缩的缺陷,并能根据需求,预先设定压缩图像的质量范围,使压缩图像达到指定的压缩率或清晰度,从而满足指定的要求.经实验证明,该优化算法切实可行,具有较高的实用价值.     

基于奇异值分解的图像质量评价

分析了传统的基于灰度误差的图像质量评价算法的局限,扩展了图像质量评价的定义.考虑原始图像和畸变图像尺寸不一致的情况,提出了用奇异值分解把图像矩阵转为向量,用奇异值向量之间的夹角作为图像的质量评价指标.实验表明:提出的基于奇异值向量夹角的准则对压缩、噪声和旋转、平移、尺度等几何畸变等都具有好的性质;且适于文中扩展的质量评价的定义.最后对实验结果和人类视觉系统的主观评价进行了比较分析.     

基于奇异值分解与融合的音频盲认证算法

提出一种适用于检验音频真实性和完整性的盲音频认证方法。它采用奇异值分解(SVD)与融合技术相结合，将音频奇异值分解所得的奇异值作为不变特征，利用融合将其嵌入到原始音频中。验证时无需原始音频数据，利用融合的逆过程提取不变特征，进行匹配，达到音频认证的目的。实验结果表明，该算法不但可以有效地检测出音频中被篡改内容的位置，而且能将随机噪声同恶意篡改区分开。     

一种改进的奇异值分解语音降噪算法

本文针对目前采用的奇异值分解降噪算法的不足,提出一种改进算法。该方法主要是在用一维信号构造矩阵A（L×M）时,增加矩阵A的阶次L,这样在对矩阵A进行奇异值分解后,反映噪声能量的奇异值的分布更加明显,从而有利于降低噪声的污染,达到去噪的目的。仿真实验效果证明,该方法与传统方法相比,能更有效地去除加性噪声。     

矩阵广义奇异值分解的一种算法

本文论述了一种A的B奇异值分解的算法。算法分为二大部分,首先是对矩阵(A B)进行列主元QR因式分解,将这个广义奇异值分解问题归结为具有正交列的分块矩阵(Q_1 Q_2)的CS分解问题,其次就是给出关于(Q_1 Q_2)的CS分解的计算方法,这个算法避免了[5]中的重正交化和[10]中对子矩阵的再一次SVD计算,在一定条件下它是快速的且稳定。     

矩阵广义奇异值分解的一种算法

本文论述了一种A的B奇异值分解的算法。算法分为二大部分,首先是对矩阵(A B)进行列主元QR团式分解,将这个广义奇异值分解问题归结为具有正交列的分块矩阵(Q_1 Q_3)的CS分解问题,其次就是给出关于(Q_1 Q_2)的CS分解的计算方法,这个算法避免了中的重正交化和中对子矩阵的再一次SVD计算,在一定条件下它是快速的且稳定。     

基于双路奇异值分解的信号降噪方法

针对常规奇异值分解对强噪声抑制效果不佳的问题,提出了一种基于双路奇异值分解的信号降噪方法。首先采用奇异熵定阶的方法对高阶噪声进行预处理,然后从双路奇异向量的相关性出发确定低阶噪声奇异向量的位置,最后将剩余的奇异值与奇异向量重构得到优化估计的降噪信号。仿真实验表明：双路SVD相比常规SVD的降噪方法在低信噪比、白噪声的环境下信噪比增益提升4.07 dB,与纯净信号波形相关系数增量提升0.11。以一段受到座舱噪声污染的语音信号为实验对象,文中方法与双通道自适应噪声抵消的降噪方法对比,信噪比增益提升4.83 dB,运算耗时缩短1.5 s。此外,文中方法不受噪声类型的限制,对于有色噪声和单频干扰甚至混合噪声同样具有良好的适应性,有广泛的应用前景。     

基于奇异值分解的脑电信号去噪方法

指出了对脑电观测数据进行去噪从而提取出诱发脑电信号是临床和实验中的前沿技术之一。目前常用的平均方法需要比较多的实验次数，为缩短实验次数需要采用一些新的技术和方法．对奇异值分解方法在脑电信号去噪中的应用进行了研究．提出了3种具体的去噪算法，并给出了应用这3种算法对具体的脑电测量数据进行噪声去除的实验结果．分析实验结果表明：奇异值分解方法对脑电信号进行去噪有助于减少提取诱发信号所需的实验次数．     

基于奇异值分解的模糊模型结构分析和精简

研究用矩阵奇异值分解方法分析一类模糊模型的结构、奇异值分布与模糊规则的关系,用模糊规则的累积贡献率指导规则的精简,以求模型的拟合精度和结构简单之间的平衡,从理论分析和仿真研究表明方法的可行性和实用性。     

基于奇异值分解的连续小波消噪方法

针对小波软阈值消噪的缺点,提出了一种基于奇异值分解的连续小波消噪方法.通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分.通过仿真数据的对比分析和工程测试信号的应用,表明该方法适用于冲击成分信号的提取,与软阈值消噪法相比,它提取出的信号特征成分更完整,信噪比更高.     

基于奇异值分解无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的荷电状态(state of charge, SOC)是电池管理系统(battery management system, BMS)对锂电池进行管理的重要指标。针对传统SOC估计方法存在的精度低、计算复杂和鲁棒性差等问题,本文提出了一种基于奇异值分解无迹卡尔曼滤波(singular value decomposition unscented Kalman filter, SVD-UKF)的SOC估计方法。该方法利用无迹变换(unscented transformation,UT)提高了计算精度的同时降低了计算量,并且克服了UKF在状态协方差矩阵P非半正定时会出现滤波发散的缺点,提高了算法的鲁棒性。实验结果表明,该算法能够快速收敛于真值,并且将估算误差降低至1%。     

奇异值分解对多体系统动力学方程的缩并

通过约束方程的雅可比矩阵的奇异值分解定义独立坐标,建立了缩并形式的多体系统动力学方程,给出了动力学数值分析的详细过程。     

基于奇异值分解降噪的移动载荷识别

模型梁振动响应测试信号噪声成分较强，使得根据响应信号识别梁上移动载荷无法取得理想效果，利用测试响应的时间序列重构吸引子的轨迹矩阵，对该矩阵进行奇异值分解以剔除噪声信号，根据残余信号进行载荷识别，结果表明本方法优于以前的识别方法。     

一种基于奇异值分解的人脸识别新方法

基于奇异值向量方法进行人脸识别时,由于提取的奇异值向量特征所包含的人脸图像的有效信息少,导致人脸识别率低下。基于此提出了一种基于奇异值分解的人脸识别新方法——矩阵的秩-逼近法。利用ORL人脸数据库进行实验,并采用最近邻决策规则来进行分类识别。实验结果显示,提出的方法比基于奇异值人脸识别方法具有优越性,本算法能大大地改善识别效果。