一种因子化的稀疏矩阵转置算法

在定义了二元组结构的基础上,对稀疏矩阵中非零元素的行、列坐标值进行因子化,以此实现了一种新的稀疏矩阵压缩存储结构.并在应用该压缩存储结构的基础上,提出了一种稀疏矩阵转置操作的改进算法.该算法较传统算法而言,在时间复杂度不变的前提下将空间复杂度降低了30％.     

基于不同分组稀疏先验的降噪方法

稀疏组Lasso已经被证明是一种强大的回归技术,可以通过使用两层不同分组稀疏正则同时发现不同组的稀疏特性.但是在大量的应用中,由于正则项的复杂性给计算带来了巨大的挑战.针对多层不同分组稀疏的组Lasso提出了一种合理有效的方法,称为DGDN-OGS算法.把信号处理中的信号看作为样本或者特征进行不同的交叠稀疏分组,然后将多个不同的交叠稀疏分组分别编码成正则项,最后再利用Proximal映射及MM算法的框架进行迭代求解,这也说明了该方法可以应用到信号降噪领域当中.此外,该求解方法避免了之前方法中需求解对偶问题的最优解所带来的困难,并对算法的收敛性进行了分析,说明了所提出方法的合理性.     

压缩感知稀疏识别用于多视角图像目标分类

针对多视角条件下的图像目标分类问题,提出一种基于压缩感知特征的稀疏识别方法. 该方法以原始图像的感知数据为特征描述,将测试样本与训练样本集的压缩感知特征纳入稀疏识别的框架,并通过求解一个l1范数优化问题来获取分类结果. 实验表明,该方法不仅有效利用了压缩感知特征的信息冗余性来保证稀疏识别的性能,而且无需进行预处理就能较好地实现多视角图像的目标分类.     

基于小波域维纳滤波器的信号稀疏表示

经典小波分解对信号稀疏化效果不佳,为此设计了基于小波域经验维纳滤波器的稀疏表示算法. 该算法可自适应地衰减每个小波系数,增大系数的稀疏度及可压缩性,从而提高压缩感知算法对信号的恢复质量. 仿真结果表明,与传统的基于小波变换的信号稀疏表示及恢复算法相比,该算法较大地提升了对信号及图像的恢复质量.     

递增的稀疏神经网络研究

针对稀疏神经网络应用中连接度和中间节点数不易确定的问题,并根据生物神经网络的特点,提出了学习中改变神经网络连接度和隐含结点数的学习算法.模拟脑皮层由薄到厚的发育过程,根据当前的学习结果,改变网络的拓扑结构,逐步增加网络中的连接和节点,最终学习得到满意的稀疏神经网络.新算法可以用结构更简单的稀疏神经网络达到满足要求的拟合精度,并通过仿真算例进一步验证了算法的有效性.     

基于Curvelet稀疏表示的图像盲分离初始化

针对盲分离初始化问题提出一种基于Curvelet稀疏表示的图像盲分离初始化方法. 该方法充分利用信号Curvelet变换的稀疏特性,选取稀疏性最好的高频系数组,采用聚类方法估计聚轴中心,寻求混合矩阵估计值,实现对盲分离学习算法的初始化. 实验结果表明,该初始化方法能避免盲分离算法在收敛时陷入局部最小,加快收敛,并提高分离精度.     

融合双聚类技术的新型协同过滤算法

针对传统协同过滤算法因未考虑用户与项目之间的对偶性而产生的数据稀疏问题,提出一种基于双聚类技术和Top-n推荐技术的新型协同过滤算法:通过同时对行之间和列之间进行聚类,可以对用户和项目之间的相似性进行辨识,从而确定二者的分组信息;利用Top-n算法快速、精确地搜索出最佳的服务推荐.为了验证所提方法的有效性,在网络服务数据集上进行了相关实验.实验结果表明提出的方法能够在存在稀疏数据的情况下为用户提供有效的推荐,提高网络服务推荐的搜索精确性,提升CPU的有效利用率,并大幅度增强了算法的鲁棒性.     

非凸稀疏正则化的广义条件梯度算法

提出一种具有非凸、非光滑的α‖·‖_(l_1)-β‖·‖_(l_2)(αβ≥0)罚项的正则化泛函,并且构造了一种新的迭代算法来求解带有αl_1-βl_2约束的非线性稀疏正则化.该算法利用广义条件梯度算法,将其推广到带有非凸稀疏罚项的非线性正则化方程中,构造出一种适用于非凸稀疏正则化的软阈值算法,并给出了该算法收敛性的证明.     

基于稀疏约束非负矩阵分解的水下线谱增强方法

水下目标线谱增强是被动声纳目标探测的关键问题之一。传统的线谱信号处理方法集中于时域和频域处理,本文提出了利用非负矩阵分解,在时频联合域内进行线谱信号增强的处理方法,以目标线谱信号的时频矩阵作为非负矩阵分解的输入,通过基矩阵提取线谱信号的频谱模式。根据线谱信号在频域的稀疏性质,对基矩阵进行稀疏性约束,利用权重稀疏扫描的方式讨论基矩阵的稀疏度和频率估计精度随权重系数的变化关系,确定稀疏约束项的有效权重系数区间。仿真结果显示,稀疏约束项在低信噪比条件下表现出优越的线谱增强能力,最低信噪比可达-30 dB。海试数据结果表明,此方法可以有效地提高对线谱信号的提取能力。     

滚动轴承振动信号的稀疏表示研究

振动信号蕴含着丰富的装备工作信息,信号稀疏表示能够有效地提取信号最本质的特征.以滚动轴承振动信号为对象,对其进行了稀疏表示研究.根据轴承振动信号的频谱结构特点,基于信号自适应展开,构造了基于指数衰减余弦函数的过完备原子库;用粒子群优化算法(PSO)算法依次搜索原子库中与信号最匹配的原子对其进行稀疏表示并进行了仿真.结果表明:所选择的原子库分解信号后的残余信号更小,相似度达0.912 2,能更好地表示信号.     

融合全局和局部特征的稀疏表示人脸识别方法

针对人脸识别中如何提取到有效判别特征的问题,提出一种融合人脸图像全局和局部特征的稀疏表示人脸识别方法。首先将人脸图像用融合的特征提取算法进行特征降维,然后利用稀疏表示分类器对人脸图像进行分类判别。在ORL、Yale和FERET人脸数据库上的实验结果验证了融合算法在提高人脸识别精度方面是有效的。     

分布式压缩感知视频编码技术

介绍了典型的分布式压缩感知视频编码实现方案,并与基于信道编码的分布式视频编码进行比较. 阐述了分布式压缩感知视频编码理论基础,分析和总结了现有的分布式视频压缩感知结构. 对编码工具进行对比,指出了分布式压缩感知视频编码的特点. 剖析和展望了分布式压缩感知视频编码所需解决的视频序列稀疏表示、重建算法、码率控制等关键技术.     

基于局部加权低秩先验的高光谱稀疏解混方法

为了充分挖掘丰度系数的内在本质属性，提升高光谱图像稀疏解混精度，提出一种基于局部加权低秩先验的稀疏解混方法.该低秩先验主要基于这一事实：高光谱图像中的局部立方体块具有较高的相空间关性和光谱相关性.加权的低秩先验能够挖掘局部块内在的低维结构特征，有效地抑制噪声，保持数据的细节结构.该先验联合全变差正则项、协同稀疏正则项，能够更好地刻画丰度系数的细节结构、局部平滑性以及行稀疏性.利用模拟数据和真实高光谱数据进行的实验表明，所提方法与现有方法相比能够更好地保持数据的细节信息，提升解混精度.     

基于压缩感知的MIMO系统稀疏信道估计

在多输入多输出通信系统中,接收端信道均衡与相干检测需要利用信道状态信息. 传统信道估计方法如最小二乘法和最小均方误差法均基于多径信道密集型假设,导致频谱利用率低下. 为此,该文研究在单载波MIMO系统中的稀疏信道估计,利用多径信道的稀疏特性提出一种基于压缩感知理论的信道估计方法. 这种方法能利用较少的导频信号达到与传统方法相比拟的估计性能,从而提高频谱利用率. 仿真验证和理论分析表明,基于压缩采样匹配追踪的压缩感知信道估计方法为MIMO系统稀疏信道估计的最优选择.     

基于蝙蝠算法与信号稀疏分解的DOA估计研究

稀疏分解的DOA估计法具有很高的估计精度,但稀疏分解计算量巨大,需要较长的计算时间。针对这一问题,将蝙蝠算法与信号的稀疏分解算法相结合,应用于信号的DOA估计。利用蝙蝠搜索算法搜索路径优、寻优能力强的优点,可快速寻找到正交匹配追踪过程中每一步分解的最佳原子,从而实现信号快速稀疏分解。仿真结果表明,引入蝙蝠算法后,在有效的估计条件下,加快了计算速度,减少了计算量。     

稀疏矩阵乘法运算的并行算法

许多实际的应用问题可以被归结为稀疏矩阵的计算 ,讨论了稀疏矩阵乘法运算的并行算法 ,稀疏矩阵中的元素采用三元组表示法作为它的存储结构 ,给出的并行算法具有较高的并行度和较好的运行效率     

基于生成对抗网络的异质信息网络表征学习

鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习（heterogeneous network representation learning based on generative adversarialnetwork,HNRL-GAN）模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进后的基于生成对抗网络的增强版异质网络表征学习（heterogeneous network representationlearning based on generative adversarial network plus plus,HNRL-GAN++）模型;最后分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明：1）HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2）相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。     

Cholesky分解在协方差矩阵恢复中的使用

针对基于稀疏扩展信息滤波的同步定位与地图创建(simultaneous localization and mapping,SLAM)问题,分析并比较了最近邻数据关联、极大似然数据关联以及联合相容性检验数据关联的原理,阐述了边缘协方差矩阵恢复的必要性.在此基础上提出一种利用Cholesky分解由信息矩阵准确恢复协方差任意元素的方法,该方法具有较高的计算效率.在仿真实验中将该方法与协方差边界估计法比较,并分别用于3种数据关联算法的比较分析,表明所提出的方法适用于多种数据关联方法,能在保证定位精度的同时有效控制算法复杂度.最后对各种数据关联算法在稀疏扩展信息滤波SLAM中的性能进行了讨论.