基于S变换与奇异值分解的局部放电信号去噪方法

根据白噪声在S变换域服从2分布且平均功率谱与频率成正比的特点,提出了基于S变换与奇异值分解(SVD)的局部放电(PD)信号去噪方法。首先对带噪PD信号进行S变换,得到时频矩阵;接着利用SVD与奇异值差分谱理论,确定PD信号发生的时间与个数,得到白噪声区域;然后通过构造与频率成正比的线性方程,采用硬阈值法对时频矩阵进行处理,完成PD信号的第一次去噪;最后利用SVD对PD信号进行第二次去噪。仿真和实测信号的分析结果表明,文中方法的去噪效果优于小波阈值法,且该方法更简便快捷。     

奇异值分解在广义逆中的应用

使用矩阵的奇异值分解的方法给出了矩阵式A- B--A-(A B)B-的最大最小秩,并获得存在A-∈A{1},B-∈B{1}使得A- B-=A-(A B)B-的充分必要条件.     

采用小波包树能量矩阵奇异值分解的局部放电模式识别

为了从局部放电信号电磁波大量冗余的频率信息中提取有效的局部放电特征参量,提出了采用小波包和奇异值分解相结合的能量特征提取方法。该方法从大量小波包树节点的能量信息中提取了一组能量特征参量用于局部放电类型识别,首先对4种放电类型的电磁波信号进行小波包分解,计算每个小波包节点系数的能量,接着采用奇异值分解法从小波包树所有节点的能量信息中提取奇异值较大的一组参量,利用这组参量建立识别模型,最后使用支持向量机对4种变压器典型放电类型进行识别。结果表明,小波包树能量矩阵奇异值分解可以从包含有大量无效和冗余频率信息的电磁波信号中提取能量特征参量,从而进行局部放电识别。研究内容可为局部放电类型识别提供一种有效的特征提取方法。     

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.     

奇异值分解在储粮害虫图像复原中的应用

针对储粮害虫图像复原中点扩展函数矩阵的逆矩阵不存在的情况,提出了一种用奇异值分解和Moor-Penrose广义逆来实现图像复原的方法,通过将矩阵作奇异值分解再求其Moor-Penrose广义逆.计算结果表明,与传统方法相比,该方法在复原由运动造成的图像模糊方面能取得较好的效果,复原的图像比较清晰.     

奇异值分解在储粮害虫图像压缩中的应用

介绍了奇异值的基本理论以及基于奇异值的图像分解方法,将奇异值分解方法应用于储粮害虫图像的压缩.为了与常规的图像压缩方法进行比较,在图像压缩比相同的情况下,通过分别计算jpg格式压缩和奇异值分解方法压缩的均方误差,计算结果表明,基于奇异值分解的图像压缩方法,误差小,效果良好,因此在储粮害虫的图像处理中具有很高的实用价值.     

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．     

奇异值分解技术在声音信息分离中的应用

针对工程实际中循环非稳信号信噪比低，因此造成分析和特征提取难的问题，采用奇异值分解技术，对用声传感器采集的声音信号进行分解和重构，提取有用信息，消除噪声，从而提高了声音信号的信噪比，保证了故障的确诊，利用短时傅里叶变换，从时频域提取特征，进一步说明了该方法的有效性。     

奇异值分解及其简单应用

关于矩阵分解有多种形式,而在实际应用中奇异值分解尤为重要,借助由S(α)=Aα式所确定的S:Rn→Rm线性映射,给出了矩阵奇异值分解定理更具几何直观的推导过程,并用实例对其进行了辅证.     

PQ-SVD奇异值分解在加权MP逆结构中的应用

运用多个矩阵的PQ-SVD奇异值分解,研究了各种广义加权MP逆的结构形式.     

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。     

应用奇异值分解改进预测控制算法中的参数设计

本文利用矩阵的奇异值分解理论,推导控制律的另一种实现,使改进后的预测控制算法中的参数设计有一定的理论数据可参考,该算法尤其适合于病态的动态矩阵,使参数设计大为简化。文中还给出了仿真实例。     

奇异值分解法在湖北省农业土地利用时空变化研究中的应用

利用奇异值分解相关分析法对湖北省人口发展与土地利用以及农业内部不同作物种植面积与耕地面积进行时间与空间上的相关分析．认为耕地面积与人口以及大豆种植面积、粮食种植面积、棉花种植面积、油料种植面积与耕地面积的空间相关分析都有着密切的相关关系．并与实际情况相符,表明奇异值分解法在湖北省土地利用时空分析中应用良好．     

变压器典型局部放电信号辨识研究

为深入研究变压器典型局部放电的类型,提出了一种相关系数矩阵(correlation coefficient matrix dimension reduction, CCMDA)和深度学习相结合的特征识别方法。首先,对原始数据进行降维,保留关键特征;然后,引入深度学习框架,搭建ResNet34的残差结构,开展局部放电特征的识别。结果表明：相对于核主元分析(kernel principal component analysis, KPCA),相关系数矩阵降维效果更为显著;图片尺寸为64×64时,识别性能最好;学习率为0.001时,损失函数值最小。本文方法识别准确率高,明显优于卷积神经网络(convolutional neural networks, CNN)和支持向量机(support vector machine, SVM)。引入小波变换,可增强本文方法的鲁棒性。     

基于奇异值分解的双-单端煤矿井下电缆故障定位

行波测距最重要的是时间和波速的确定。双端测距需要GPS授时系统,两端的授时误差增加了首波到达时刻的准确性。对电缆线路来说,行波的色散更加严重。而且不管单端还是双端测距,波速的确定对结果的影响都非常大。故障线路两端同时利用Hankel矩阵方式下对到达两端的电流行波进行奇异性分解(SVD)。每端分别得到首波及第二个波形到达的时间。SVD在不同的分解层上的奇异点结果不会发生偏移,克服小波变换随着分解层数增加带来的奇异点偏移缺点。波速的大小与频带关系紧密,行波信号经过小波分解再重构为多个频带的时域信号。在计算每个频带下前两个波头之间的相似度后,选取相似度最大的频带得到电缆的波速。在考虑线路时频特征对行波波速v的影响同时,提出双-单端故障测距。最后两端分别得到的故障点位置经过误差纠正算法,使得结果更加准确。     

奇异值分解中非奇异矩阵的性质结构

矩阵分解在和矩阵理论中有着极其重要的作用,其中奇异值分解尤其重要,本文着重研究了三个矩阵QQ-SVD分解中非奇异矩阵的性质结构。     

奇异值分解和信息熵理论在Bonner多球谱仪设计中的应用

基于奇异值分解和信息熵理论,提出一种Bonner多球谱仪的设计指导理论.首先采用建模软件和蒙特卡罗计算程序对待选的Bonner球进行响应函数模拟刻度,在响应函数的基础上,采用IAEA报告中的中子谱,获得各待选Bonner球的读数.对Bonner球读数矩阵进行奇异值分解,从而对各Bonner球进行分类,检查设计的合理性.再根据Bonner球的读数和相应的中子谱的信息熵,建立信息熵的神经网络预测模型.根据该模型进行Bonner球信息熵灵敏度分析,对优化Bonner多球谱仪设计提供参考意见.结果表明建立的方法能够有效地从定性和定量两个方面对Bonner多球谱仪的设计进行理论指导。     

矩阵奇异值分解和Arnold置乱技术在图像隐藏中的应用

基于数字图像的奇异值分解和Arnold置换,提出了一种图像的隐藏方法．在该方法中,置乱用于数字图像隐藏的预处理和后处理,奇异值分解用于将一幅图像隐藏于另一幅图像中．根据提出的数字图像隐藏技术,探讨了在数字水印技术中的应用．实验结果显示,该方法实现方便,水印的提取不需要原图像,并能较好地保障数据的安全性。     

矩阵商的双曲奇异值分解及其应用

给出了两个退化的和非退化的双曲奇异值分解定理,并用非退化的双曲奇异值分解提出了无约束和等式约束不定最小二乘问题的新的算法.最后,数值实验的结果表明该新算法是有效的.     

一类矩阵奇异值分解的快速算法及在时变滤波中的应用

研究了镜象对称矩阵的性质，提出了计算该类矩阵奇异值分解的一种快速算法。计算机模拟结果表明：快速算法的计算速度比一般算法快３～４倍，并可节省一半内存。将该算法用于线性时变滤波器的设计，取得的结果是令人满意的。