低秩矩阵恢复模型改进及其在石油测井中的应用

传统的低秩矩阵恢复模型在去噪过程中通过将观测矩阵分解为低秩部分和稀疏部分达到噪声去除的目的,但该模型要求噪声矩阵必须是稀疏的。然而石油测井所获得的数据中噪声来源复杂,并不能完全保证噪声分布满足稀疏性的要求,使该模型在去噪时表现出一定的局限性,去噪效果不稳定,进而导致后续的数据处理准确率降低。为此,提出将加权范数的思想应用于传统的低秩矩阵恢复模型中,并在惩罚项中将F范数与待恢复矩阵的核范数相结合,构造改进的低秩矩阵恢复模型,使其能够在保证解的稳定性的同时,可以更好地挖掘观测矩阵的低秩性以及增强稀疏矩阵的稀疏性。通过非精确的拉格朗日乘子法分别对改进前后的模型进行求解,并对两种模型去噪后的测井数据分别采用支持向量机(SVM)和相关向量机(RVM)进行油气层识别,结果表明经改进的低秩矩阵恢复模型去噪后的测井数据在保证了油气层识别效率的同时,识别准确率上有了明显提升。     

基于核范数的JPEG解码算法

针对低比特JPEG图像因量化过程中产生的量化噪声问题,提出一种核范数JPEG解码算法.首先基于自然图像的低秩性得到一个带无穷范数约束问题的低秩矩阵恢复模型,其次将约束凸优化问题转换为无约束优化问题,降低其计算难度.最后,利用经典的原对偶算法结合块匹配方法处理低秩矩阵模型,得到后处理JPEG解码图像.实验结果表明,该文算法比基于总变分后处理方法在去除量化噪声方面具有优越性.     

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。     

一种自适应的鲁棒性矩阵补全方法

针对传统矩阵补全无约束优化模型在处理奇异噪声损坏的缺失矩阵时鲁棒性较差的问题,提出一种自适应的鲁棒性矩阵补全方法.该方法在目标函数中使用截断核范数作为秩函数旳低秩逼近,并采用对奇异噪声鲁棒的F范数作为损失项恢复矩阵中的缺失值,以降低异常值对算法的影响,提高恢复精确度.在求解该模型过程中,先采用凸优化技巧引入一个动态权重...     

一种新的广义鲁棒主成分分析(GRPCA)算法研究及应用

为恢复被混合噪声污染的低秩矩阵,提出了一种新的广义鲁棒主成分分析（GRPCA）算法。它通过最小化核范数、1范数和2,1范数的组合问题,从观测矩阵中分离出低秩部分和混合噪声部分,并用随机排序的交替方向乘子法求解。利用本文方法进行垃圾邮件分类的实验结果表明,与经典的主成分分析（PCA）和鲁棒主成分分析（RPCA）算法相比,本文方法可以有效提高垃圾邮件分类的精确度和稳定性。     

基于低秩矩阵近似的鲁棒DOA估计方法

针对非均匀噪声背景下传统非离散化方法在少快拍条件下波达方向（DOA）估计性能恶化的问题, 提出基于原子范数最小化和零化滤波器的非离散化参数估计方法. 该方法利用参数空间连续性构建基于原子集合的阵列信号稀疏表示模型, 将信号协方差矩阵的恢复问题转化为原子${\ell _0}$范数最小化问题. 基于信号协方差矩阵的厄米特托普利兹结构和低秩特性, 将原子${\ell _0}$范数最小化问题转化为实际可解的基于低秩矩阵近似的半定规划问题, 从而恢复信号协方差矩阵. 根据零化滤波理论通过求解零化滤波器系数获取DOA参数估计. 仿真结果表明, 在非均匀噪声和少快拍同时存在条件下, 该方法比现有同类方法具有更高的估计精度和鲁棒性. 在不同最大噪声功率比条件下,本文方法的均方根误差比现有方法平均减小59.4%.      

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...     

基于谱正则化算法的大数据矩阵完备化研究

矩阵完备化是基于部分观测数据来完成全部矩阵预测的问题.随着互联网技术的发展,大数据时代的来临,大数据矩阵中大多数据依然是空白的,需要补充,即大数据存在矩阵完备化的问题.本文利用谱正则化模型和算法来解决大数据的矩阵完备化问题,该方法将矩阵完备化问题整理成核范数最小二乘问题,再通过截断奇异值分解、软输入算法和硬输入算法给出了一系列正则化低秩解.最后基于实际的Netflix 大数据的实验结果证明了本文的方法.     

基于双高斯先验的低秩矩阵分解模型

为了更好地拟合复杂噪声,增强低秩矩阵分解模型的鲁棒性,将双高斯先验引入到传统的高斯混合模型中,提出了基于双高斯先验的低秩矩阵分解(low-rank matrix factorization with double Gaussian prior, DGP-LRMF)模型,通过模型分解得到的2个矩阵均服从高斯先验,从而实现对噪声的有效建模,并在贝叶斯理论框架下利用EM算法实现模型参数的推断。实验结果验证了所提模型能够有效地处理含有复杂噪声的数据,取得了更优且更具稳定性的去噪效果。     

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.     

联合稀疏和低秩表示的医学超声图像去噪

为了保持超声图像的边缘和细节特征，同时去除图像中的噪声，提出了一种改进的低秩稀疏矩阵分解模型。首先，通过对数变换将乘性性质的斑点噪声转换为加性噪声；然后引入L1范数和改进的低秩正则项，以最小化保真项、正则项为目标函数，迭代恢复出去噪后的超声图像；最后使用指数变换从对数域中还原。将本模型应用于肿瘤超声图像，与一些经典的去噪算法进行比较，得出该模型对消化道粘膜下肿瘤超声图像去噪估计具有良好的适用性和实时性。     

低秩矩阵在CT图像重建中的应用

CT图像重建是医学影像学的重要研究课题,但由于噪声对医学CT图像的影响比较大,为了在不牺牲图像精度和空间分辨率的情况下,重建出噪声含量最低的图像,就要选择合适的去噪方法对图像进行预处理.针对于此,笔者提出一种新的CT图像重建算法,重建过程分成两个步骤:首先用低秩矩阵加权核范数最小化(WNNM)进行图像去噪,再用低秩矩阵分解(LRMD)更新CT图像.实验结果表明,提出的方法具有较强的细节保持能力,低秩矩阵的特性简化计算过程,降低算法复杂度,同时保证了重建图像的去噪效果.     

基于鲁棒主成分分析的低频水声信号降噪方法

由于海洋环境噪声的复杂性,接收到的信号往往具有较低的信噪比,导致水声信号处理难度大等问题.针对此问题,采用基于鲁棒主成分分析的降噪方法,建立将含噪信号表示为低秩、稀疏和噪声的分解模型,研究了对低频水声信号的降噪问题.首先通过Godec算法将含噪信号表示为低秩、稀疏和噪声3部分,然后运用非负矩阵分解算法对低秩部分进行分解,得到噪声字典,最后根据得到的噪声字典从含噪信号中提取出初始水声信号.通过对不同海况下即不同信噪比的仿真信号进行降噪处理,结果表明该方法在水声信噪分离中具有较好的降噪效果.     

基于秩约束逼近的系统模型降阶

针对Daniel Ankelhed在2007年根据控制器设计原理提出的降阶模型,利用秩函数、核范数、谱范数与线性矩阵不等式的相互关系,将秩约束条件转化为线性矩阵不等式,使原降阶模型变为凸优化模型。数值试验表明降阶效果良好。     

基于图形正则化低秩表示张量与亲和矩阵的多视图聚类

针对聚类中忽略局部结构、 低秩表示张量与亲和矩阵高度依赖性等问题, 提出一种基于图形正则化低秩表示张量与亲和矩阵的多视图聚类方法. 首先, 提出一个统一的框架学习多视图子空间的图正则低秩表示张量和亲和矩阵; 其次, 进一步通过基于张量核范数的张量奇异值分解分析高阶交叉视图关联性, 并利用图形正则化保留嵌入在高维空间中的局部结构; 最后, 利用约束二次规划为每个视图分配自适应权重. 在7个数据集上的实验结果证明了该方法聚类效果更好.     

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.     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。     

基于稀疏表示和加权核范数极小化的图像去噪（英文）

提出了一种基于稀疏表示和低秩矩阵逼近的去噪方法.首先将加权核范数极小化方法用于解决低秩矩阵逼近问题,这一步在去除噪声的同时也丢失了一部分纹理结构信息.为了弥补这个缺点,稀疏表示技术用于辅助重构清晰图像.实验结果验证该去噪方法取得了相当的去噪效果.     

基于TV范数对低秩表示去噪模型的改进

全变差(TV)范数具有保持图像边缘信息及加强区域平滑性的能力,为增强低秩表示(LRR)模型恢复图像的结构光滑性,将TV范数引入到LRR模型中,通过对LRR模型中的系数矩阵增加TV范数约束,提出了一个新的图像去噪模型——全变差低秩表示(TVLRR)模型,并采用交替最小化方法有效地求解该模型。利用图像内在的非局部自相似性先验,所提算法可以有效地发现和去除噪声,同时增强恢复图像的结构光滑性,使去噪后的图像质量显著提高。实验结果表明,与顶尖的去噪算法相比,所提出的算法在主观和客观上都实现了具有竞争力的去噪表现,特别是当噪声强度很大时。     

基于秩极小化理论的单幅图像超分辨率复原

由于自然图像中较小的图像块具有相似性,而这些相似图像块之间具有近似低秩结构.提出了一种基于秩极小化理论和块相似性的单幅超分辨率方法.该方法首先对于每一输入低分辨率图像块在训练图像库的低分辨率图像块中寻找其相似图像块;利用这些相似块所对应的高分辨率图像块构造近似低秩矩阵,建立秩极小化的复原模型,利用增广拉格朗日乘子算法将近似低秩矩阵分解为低秩矩阵和稀疏矩阵;最后根据相似的高分辨率图像块子空间的低秩矩阵,实现图像的超分辨率复原.通过在仿真数据机上进行验证和对比表明:本方法能够取得较好的超分辨率效果.