基于张量分解的鲁棒核低秩表示算法研究

低秩表示算法,如低秩表示（Low-Rank Representation, LRR）,鲁棒核低秩表示（Robust Kernel Low-Rank Representation, LRRRKLRR）,在处理高维数据方面展现了广阔的应用前景,然而这些方法并不适合高阶数据,传统的低秩表示算法通常只对数据的某一特征属性进行降维。在本文中,我们提出了基于张量分解的鲁棒核低秩表示算法（Kernel Low-Rank Representation by Robust Tensor Decomposition, RTDKLRR）,该算法能够处理高阶非线性的张量数据,对噪声更加鲁棒。本文首先对RTDKLRR算法设计目标函数并给出约束条件,其次,设计迭代规则对目标函数进行优化。在合成数据集和真实数据集上的实验结果表明,我们的算法优于同类算法。     

基于张量分解的鲁棒核低秩表示算法

低秩表示算法,如低秩表示(low-rank representation,LRR)、鲁棒核低秩表示(robust kernel low-rank representation,RKLRR),在处理高维数据方面展现了广阔的应用前景;然而这些方法并不适合高阶数据,传统的低秩表示算法通常只对数据的某一特征属性进行降维。提出了基于张量分解的鲁棒核低秩表示算法(kernel low-rank representation by robust tensor decomposition,RTDKLRR);该算法能够处理高阶非线性的张量数据,对噪声更加鲁棒。首先对RTDKLRR算法设计目标函数并给出约束条件;其次,设计迭代规则对目标函数进行优化。在合成数据集和真实数据集上的实验结果表明优于同类算法。     

基于张量模式的降维方法研究

经典的向量子空间是以数据流行的向量形式表示的,而在现实应用中很多是以张量模式存在的,从而提出了张量子空间.张量模式是向量模式的扩展和推广,已经广泛的应用到模式识别和数据降维等领域.主要描述了张量的定义和基本运算,对张量子空间,张量逼近和张量脸进行了具体的分析,通过张量特有的分解方法得到最优解从而达到降维的目的,本文最后提出张量以后有待发展的方向.     

基于EMD的异常用电检测方法

异常用电行为的时频特性往往具有强随机不确定性,而固定参数相关的分析方法无法有效处理此类数据.为此,本文提出了一种基于经验模式分解(EMD)的异常用电检测方法.首先,针对用电数据的不同特点进行初步筛选,进而采用EMD方法对用户用电量和线损电量序列进行自适应分解,提取EMD分解所得高频分量,通过对其变化趋势和相关性进行分析...     

4种张量分解方法用于人脸识别的效果对比和分析

张量的分解是主成分分析(PCA)在高阶上的扩展,目前几种张量分解方法各有优缺点,难以满足PCA的所有性质.基于4种经典的张量分解方法并没有在人脸识别中进行比较分析,利用ORL人脸数据库比较了4种经典的张量分解方法.实验结果表明,张量方法在压缩率大的情况下,其性能有显著的提高.不同的张量分解方法显示理论上分析Higher-Order Orthogonal Iteration(HOOI)的拟和度最好,但这4种方法用到实际人脸数据上并没有多大差别.考虑到Higher-Order Singular Value Decomposition(HO-SVD)方法相对比较简单,人脸识别研究时可选用此方法.     

基于张量分解的多声道音频恢复方法

为恢复多声道音频在采集过程中丢失的数据,提出基于加权优化的张量分解方法.首先用张量对音频建模,并且根据其尺寸定义一个标识数据丢失位置的加权张量,然后使用加权最小二乘问题描述CANDECOMP/PARAFAC(CP)模型并通过一阶优化算法求解,最终通过获得的因子矩阵恢复音频.通过不同数目通道数据丢失的隐藏参考和基准的多激励测试,说明针对丢失数据采用CP分解方法是有效的,即张量分解能够得到较好的音频恢复效果.      

张量分解在用户影响力度量中的应用

提出一种基于张量分解的有影响力用户识别算法.该算法首先构建基于查询主题的用户交互关系张量,接着利用张量分解算法对用户行为进行预测,最后融合各种交互关系和用户的主题信息给出用户影响力的综合评判.实验结果表明,与非负矩阵分解相比,张量分解的挖掘精度提升了约10%,而与PageRank相比,张量分解的挖掘精度提升了约20%.     

基于张量Tucker分解的彩色图像压缩

传统图像压缩方法基于向量数据进行压缩处理,破坏了高维数据的空间本征结构。为了克服传统方法的不足,本文提出了将彩色图像表示成高维数据张量( )形式,利用张量Tucker分解,取分解后的最大子张量及其对应的特征向量,并将其进行量化编码实现图像压缩。大量实验结果表明,在相同压缩比下,本文压缩后重构图像的峰值信噪比（PSNR）与传统JPEG压缩方法相比具有较大优势,并且在视觉上本文方法重构图像的颜色信息损失量较小。     

随机增量张量奇异值分解与人脸识别新算法

本文新提出随机增量张量奇异值分解方法.当数据逐步增加时,新方法能够在保持原数据的随机奇异值分解基础上,通过计算新增数据的奇异值分解得到更新后数据的张量奇异值分解.基于随机增量张量奇异值分解建立新的人脸识别模型.数值实验表明新模型与已有人脸识别模型相比具有较高的识别率.     

基于K-SVD和PCA运动属性字典学习的行为识别

本文提出了一种基于K-SVD和PCA运动属性字典学习的行为识别方法.首先采用混合高斯背景建模提取运动目标前景,并对其提取四通道光流特征;然后在字典学习阶段对于输入特征采用K-SVD学习过完备初始字典,对初始字典进行PCA变换进一步学习更为紧致的字典,减少原子间的相关性;最后采用OMP算法求解稀疏系数来表征目标的行为.利用本文提出的方法在CASIA数据集上进行测试,实验结果表明该方法具有较高的识别率.     

基于梯度下降Tucker分解的高速公路数据质量控制算法

高速公路交通流具有多维时空动态特征,其实际调查的数据存在过量随机异常的数据,导致有关调查数据的质量无法满足高速公路主动安全管理对路网各层级交通流调控的需求.利用张量理论所具有的良好多维时空数据处理能力,构建考虑短期波动、长期趋势和车道空间信息的多维时空动态张量矩阵,提出一种基于多维张量分解思维的梯度下降Tucker分解的数据质量控制算法,有效弥补传统数据质量控制方法对交通流数据内在时空关联信息利用不足的情况.选取G4京港澳高速公路杜家坎路段实际速度数据作为研究对象,选择车道维度、时间维度、时间间隔维度,构建多种不同张量矩阵形式,对算法进行实证分析.结果表明:所提出的数据质量控制算法具有良好的高速公路交通流数据修复效果.其中,以车道、天数、5min采集时间间隔3个维度所构建的张量形式修复效果最好,95%测试数据的修复值与实际值的误差在(-5%,+5%)范围内.     

基于张量分解的用户影响力度量研究

提出一种基于张量分解的有影响力用户识别算法。该算法首先构建基于查询主题的用户交互关系张量,接着利用张量分解算法对用户行为进行预测,最后融合各种交互关系和用户的主题信息给出用户影响力的综合评判。实验结果表明,与非负矩阵分解相比,张量分解的挖掘精度提升了10%左右,而与Pagerank相比,张量分解的挖掘精度提升了20%左右。     

基于张量分解和深度学习的混合推荐算法

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因素现有辅助数据信息中的显性特征.深度学习是从辅助信息中提取用户、推荐对象以及其他影响因素的特征,并进行匹配给出推荐策略,却忽略了用户评分数据中用户、推荐对象以及其他影响因素的隐性特征.将张量分解和深度学习两种推荐方法相融合,提出一种基于张量分解和深度学习的混合推荐算法.使用张量分解算法和深度学习分别从三阶用户评分数据和多源异构辅助信息中提取用户特征和推荐对象特征,并将它们匹配得出用户对推荐对象的需求或喜爱的预测评分,再将两种算法的预测评分进行融合给出最终综合评分,从而提高个性化推荐的精准度.对比实验证明混合推荐算法与传统的协同过滤算法相比误差降低了34. 0%.     

基于主张量的时空数据特征驱动可视化方法

面向时空场数据高维分析与表达的需求,构建基于主张量的时空数据结构分析与动态表达模型.简述了张量的定义、基本算子及主张量分解方法,给出了基于主张量分解的多维度特征分析流程.利用张量的多维融合特性进行多维时空数据的组织与表达,设计了多维时空数据统一组织与存储方法.利用主张量分解方法,实现了时空数据不同维度结构特征的解析与动态重构,进而建立了基于主张量的多维时空数据多维度解析模型与特征驱动的时空数据联动可视化策略.以赤道太平洋海域卫星测高SSHA(Sea Surface Height Abnormity)网格数据进行实验验证.实现了基于张量的多维透视、子集提取、等值面绘制与时空体可视化等功能.利用主张量分解实现了对ENSO(El Ni(n)o-Southern Oscillation)事件时间型与空间型的解析与提取,并实现了时间、经度、纬度系数驱动下的联动可视化.实例验证表明,该方法较好再现了ENSO事件的时空分布格局与动态演化特征,并可实现对ENSO时空演化过程的多维度透视.     

结合张量特征和孪生支持向量机的群体行为识别

给出一种结合张量特征和孪生支持向量机的群体行为识别算法,以提高对视频中群体行为识别的准确率.首先通过群成员关节点骨架的姿态结构信息和群成员的社会网络信息描述群体在每一帧中的行为,并采用张量形式表示;然后使用多路非线性特征映射分解张量核,并利用粒子群优化张量核孪生支持向量机的模型参数;最后结合张量特征和孪生支持向量机实现视频中的群体行为识别.CAD2数据集和自建数据集上的实验结果表明,张量特征能够有效地表示群体行为,相比经典算法,所提算法能有效提高群体行为识别的准确率.      

融合时间特征的社交媒介用户影响力分析

针对现有张量影响力模型未能充分考虑用户的时间特征以及在线学习等问题,提出了一种融合时间特征的社交媒介用户影响力分析方法。该方法首先将用户观点、活跃度、网络中心度等特征加入张量模型中,并将张量分解过程中的用户潜在特征矩阵加入时间特征约束;其次,采用随机梯度下降的方法进行张量的分解;最后,通过融合不同张量片的影响力信息得到用户影响力得分。该方法的优点是能够快速分解张量并准确预测特定话题领域下的用户社会影响力,同时能够在已有模型参数的基础上进行新数据的在线训练。实验结果表明,与现有TwitterRank、OOLAM、受限非负张量分解模型等相比,该方法在平均预测准确率上提升了2%~6%。同时,该方法的时间消耗仅为受限非负张量分解模型的30%~50%。     

基于视频的人体异常行为检测与识别

提出了一种运动目标检测算法,通过三帧差分法,可以从视频图像中提取出运动目标的轮廓.通过三帧差分法分别对人体正常行走和人体摔倒两种行为进行检测,提取出人体在两种行为的运动过程中的特征.提出一种基于改进Hu矩不变性的人体异常行为识别算法,对人正常行走和摔倒两种行为进行识别.正常行走是正常行为,摔倒则为异常行为.实验证明,该方法对在本研究的实验环境下的正常行走和摔倒两种行为识别率很高,有一定实用价值.     

张量曲率边界识别方法在煤田火烧区磁异常中的应用

 为了准确识别煤田火烧区边界位置,对火烧区磁异常进行更加精细的解释,将张量曲率边界识别方法引入到煤田火烧区磁异常的解释中,探讨分析煤田火烧区磁异常的张量曲率特征.根据煤田火烧区磁异常的特点,利用张量曲率的较大特征值和较小特征值分别圈定煤田火烧区和正常区.模型试验中,通过与常用的Theta 图以及垂向导数等方法对比,体现了张量曲率分析方法在地质体边界识别中的优越性,验证了该方法在火烧区边界识别中的有效性.将该方法应用于乌达某煤田实测磁异常数据的解释,发现利用该方法圈定的火烧区范围和其他勘探结果以及已知地质资料相符,说明该方法可以准确有效地识别煤田火烧区和正常区边界范围,为煤田火烧区的磁异常解释提供很好的依据.     

基于多线性主成分分析的支持高阶张量机

为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.     

基于张量的稀疏保持投影降维方法

传统的基于向量的降维算法需要将图像数据进行向量化处理。然而,向量表示难以考虑数据各维度上的变化,容易丢失有效的结构信息和判别信息。为此,从数据的张量表示出发,将新近提出的稀疏保持投影方法（sparsity preserving projections,SPP）推广到张量空间中,提出了基于张量的稀疏保持投影降维方法。该方法可直接将图像数据作为张量目标进行运算,保留了数据的完整性以及数据的原始结构和判别信息。降维的同时保持了原始张量空间中数据样本的稀疏重构信息。人脸数据库的识别实验结果表明,基于张量的稀疏保持投影降维方法能有效地提高识别率。