一种基于局部奇异值分解和最近邻决策规则的人脸识别方法

提出了一种基于局部奇异值分解和最近邻决策规则的人脸图像识别方法。其主要内容包括以下方面：由于奇异值向量具有稳定性、转置不变性等特点,对归一化的人脸图像,采用局部奇异值分解抽取人脸图像特征作为识别特征;针对人脸识别问题,采用最近邻决策规则取代隶属度函数来进行分类识别。实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率。同时,人脸识别结果也证明了该方法的有效性。     

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。     

应用奇异值分解求解最小二乘法问题

奇异值分解定理（SVD）是一种非常重要的矩阵分解定理。使用奇异值分解,可以挖掘矩阵中隐藏的重要结构信息,并可以降低矩阵的维数。该定理还应用于解决最小二乘法问题。     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。     

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。     

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.     

一种基于奇异值分解的分层重构算法

以仿射投影来逼近透视投影,采用共轭梯度法迭代估计射影深度,通过测量矩阵的奇异值分解实现射影重构.在摄象机内参数已知的情况下,求解一个满足欧氏重构条件的4×4非奇异矩阵,由此矩阵将射影重构变换为欧氏重构.实验结果表明该算法是行之有效的.     

一种基于改进的奇异值分解的数字水印算法

提出了一种基于改进的奇异值分解的数字水印算法,首先对载体图像进行一级离散小波变换,然后采用分块技术,对每个分块的最大奇异值进行SVD操作,按一定嵌入规则将水印信息分别嵌入到最大奇异值,最后对各分块组合后进行重构即可得到含水印的图像,仿真结果表明,该算法缩短了水印嵌入和提取的时间,而且算法的鲁棒性得到明显加强。     

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。     

确定盲分离中未知信号源个数的奇异值分解法

在信号源少于传感器观测到的混合信号时,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题,通过理论分析,提高并证明了在信号源盲分离问题中,可以通过计算混合信号数据矩阵的秩数来确定信号源的个数,存在观测噪声时,可以通过计算混合信号数据矩阵的奇异值分解进行估计未知信号源数目,给出了实际的计算方法,并通过计算实例证明了该方法的正确性和有效性,从而解决了盲分离中信号源个数的估计问题,为盲分离技术的应用进一步奠定了基础。     

单样本条件下基于图像增强和Fourier频谱的人脸识别

目前有许多处理正面视觉人脸的识别方法,当有充分数量的有代表性的样本时,能取得较好的识别效果。然而当处理单样本识别问题时,现有的许多方法的识别率将明显下降或甚至不适用。为了加强单训练样本的分类信息,训练样本与其基于受扰动的奇异值的重构图组合成新样本,Fourier频谱作为人脸识别特征,在ORL人脸库上的实验结果表明了该方法的有效性。     

基于奇异值分解和模拟进化的漏磁缺陷识别

通过建立离散磁偶极子模型,利用奇异值分解和进化选择迭代计算被检区域内磁荷影响量的大小分布,作为缺陷是否存在的判决依据,实现了漏磁检测中缺陷的识别问题,通过设定缺陷的仿真计算,取得满意的结果,该方法对表面缺陷的定量计算也有借鉴意义．     

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MATLAB 7.0的人脸识别仿真系统研究

在MatLab7.0环境下,开发一个自动人脸识别仿真系统。详细阐述了开发该系统所采用的主要技术和实现过程,并用采集的普通人脸面相做实验,实验结果表明,该仿真系统可行实用。     

基于奇异值分解的多评价结论集结方法

针对综合评价中存在的“多评价结论非一致性”问题,提出了一种基于奇异值分解的多评价结论集结方法.对多个不一致评价结论组成的数值矩阵进行奇异值分解,并通过对定义的一致度与可信度两个性能指标的均衡确定出需保留奇异值的个数,运用奇异值分解的原理求出原评价结论的近似结论矩阵,而近似结论是对原有结论的优化.该方法具有提取多评价结论共性信息、削弱极端评价结论影响及对集结过程进行柔性控制等特点.最后,用一个算例验证了方法的有效性.     

一种基于局部特征的人脸识别方法

针对五官的局部特征，提出一种具体的识别方案。与传统弹性图匹配的方法相比，该方案提取的人脸局部的特征，大大降低了运算量，理论和实验都表明了该方案的可行性。在对人脸图像预处理之后，利用积分投影的方法，获取五官的位置，而后采用奇异值分解（SVD）去提取五官附近的局部特征，作为人脸的主要特征。比较了SVD和离散傅里叶变换（DFT）两种特征提取的方法，结果表明，通过SVD提取人脸的局部特征在减少计算量的基础上，能够很好保留人脸的特征，达到了较好的识别效果。     

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。     

基于改进奇异谱分析的信号去噪方法

传统的去噪方法,比如小波阈值去噪,它只对高斯噪声有效,对于脉冲噪声却无能为力.近年来发展起来的奇异谱分析方法可以在高信噪比的条件下很好地滤除上述两类噪声,但该方法降噪过程涉及了一定的主观因素,并且受矩阵扰动理论的限制,该方法随着信噪比的降低,去噪能力也随之下降.针对上述情况,提出一种改进算法,将矩阵秩最小化理论应用于奇异谱分析方法中.仿真结果表明,改进算法去噪效果明显,能够最大限度降低信号均方误差,提高信噪比,增强奇异谱分析方法的通用性.