基于广义逆非负矩阵分解的无线传感器网络节能通信

针对无线传感器网络中通信数据的高维、高冗余现象,基于高维空间往往可以由其低维来本质表示这一特性,提出一种基于广义逆非负矩阵分解的无线传感器网络节能通信(giNMF)算法.首先,采用奇异值分解方法对原始通信数据矩阵进行初始化操作,求出其对应的特征空间;然后,采用非负矩阵分解方法对奇异值分解后的矩阵进行降维操作,利用乘法更新法快速求解出最终降维结果.仿真实验结果表明:giNMF算法能够对通信数据进行有效压缩,从而降低通信能耗,延长网络生命周期,达到节能的目的.     

基于小样本条件下线性判别分析图像增强算法研究

摘要：针对以往降维处理方法在小样本条件下受到矩阵奇异化的限制,从而无法进行有效的奇异值分解以及逆变换的缺陷,提出了一种自动对变换矩阵添加扰动量,从而保证奇异值分解和逆变换顺利进行的算法。首先,定义了线性变换矩阵的构成模式,利用线性投影变换将样本点投影到null空间和幅度空间,然后在压缩后的幅度空间对变换矩阵自动添加扰动量,然后在此基础上进行奇异值分解和逆变换,从而计算得到最终的从高维空间到低维空间的线性变换矩阵。本方法无需认为设定扰动量,能自动实现投影变换的计算。能广泛使用在高维特征空间的降维处理,尤其是少样本条件下的高维特征空间降维处理中。     

基于奇异值分解的空间变异地震动模拟

提出一种新的基于奇异值分解的地震动合成方法.该方法在合成多点地震动时采用复功率谱矩阵的奇异值分解,将复功率谱矩阵分解为一个埃尔米特矩阵与其共轭转置矩阵的乘积.该埃尔米特矩阵及其共轭转置矩阵分别由低阶的左、右特征值矩阵及奇异值平方根组成的矩阵近似表示,这一过程极大地降低了复功率谱矩阵的分解难度.算例验证表明:奇异值分解法既能避免科列斯基分解法及特征正交分解法中不合理元素的出现,又可通过分解矩阵的降维节省大量的存储空间,在保证精度的前提下提高合成效率.地震动合成实例计算分析表明使用该方法可快速高效地生成大量模拟点处的地震动时程.     

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.     

基于矩阵奇异值分解的文本分类算法研究

针对KNN文本分类算法在高维数据集上分类计算开销大、效率低的缺点,采用一种基于矩阵奇异值分解的文本特征向量降维方法实现向量降维的同时保留更多的分类信息.同时,采用信息增益的方式对原始文本特征词进行了初步筛选,过滤掉对分类系统几乎没有贡献的特征词,以克服文本特征维数增长所带来的奇异值分解计算开销过大的缺点.实验表明此方法能在保持分类精度的同时极大地降低分类计算开销.     

OFDM信道估计的复矩阵分解及FPGA实现

应用基于奇异值分解的OFDM(orthogonal frequency dirision multiplexing)信道估计降低计算量的同时能够保证信道估计的性能,研究OFDM信道向量自相关矩阵奇异值分解的FPGA(field programmable gat array)实现,提出一种复共轭对称矩阵奇异值分解的FPGA简化实现方法,将复矩阵的奇异值分解转换为实矩阵的奇异值分解,并根据实对称矩阵SVD(singular value decomposition)的特点对Systolic阵列结构进行改进,减少了所占用的资源.最后设计了高阶实对称矩阵SVD的FPGA实现方案,仿真结果表明该设计方案是可行的,能够应用于OFDM信道估计系统.     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

一种基于CT-SVD的鲁棒水印算法

提出了基于Contourlet变换(CT)和奇异值分解(SVD)的水印算法.与通常直接将水印嵌入至系数中的CT算法不同,选择了CT域低通子带的部分最大系数构建矩阵,对该矩阵进行奇异值分解,经Arnold置乱后的水印结合人眼视觉特性(HVS)被自适应地嵌入至奇异值中.实验结果表明,算法保证了极高的峰值信噪比(PSNR),并且体现了对缩放、JPEG压缩、剪切、滤波等攻击很好的鲁棒性.     

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EWT和SVD技术的齿轮故障诊断方法研究

本文基于经验小波变换(EWT,empirical wavelet transform)和奇异值分解(SVD,singular value decomposition)技术提出了一种齿轮的故障诊断方法.首先采用EWT方法将齿轮的振动信号分解为若干个本征模态分量(IMF),并利用这些IMF分量形成向量矩阵.而后对初始向量矩阵进行奇异值分解,根据奇异值分解的三大特性,将求得的特征向量矩阵的奇异值作为齿轮振动信号的模式特征向量.最后通过建立马氏距离判别函数判断齿轮的振动情况和故障类型.通过对实际实验数据的分析,证明了该方法在齿轮故障诊断中有效性.     

基于张量的多线性思想对主成份分析方法的改进

张量的多线性方法把人脸图像看作是几何结构、表情、姿态和光照等多种因素的综合结果,运用张量方法分离出各个因素(如姿态,光照,人等)子空间,应用到人脸识别中。基于以上算法思想,提出主成份分析法(PCA)的一种改进方法,传统的PCA主要思想是将数据投影到正交的子空间中,改进后的PCA主要思想是:先对图像降维以减少图像矩阵的维数,然后,通过分解三维颜色张量的方法加入颜色信息,对张量进行中心化,运用张量方法进行人脸识别。实验结果表明该算法能有效提高性能。     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition, EMD)结合时域分析后使用主成分分析(principal component analysis, PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

基于双向二维直接线性判别分析的人脸表情识别

提出基于双向二维直接线性判别分析的人脸表情识别新算法.新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间.另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵.在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率.     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。     

四元数矩阵的奇异Beta分布和F分布

应用四元数矩阵的奇异Wishart分布的密度函数表达式和奇异四元数矩阵奇异值分解的工具,求得了奇异四元数矩阵变换X=BYB~T的Jacobi行列式.利用奇异四元数矩阵的广义逆定义了四元数矩阵的奇异Beta分布和F分布,结合奇异四元数矩阵数乘变换的Jacobi行列式,给出了四元数矩阵的奇异Beta分布和F分布的密度函数表达式.最后,给出了满足两种分布的奇异四元数矩阵的非零特征值的联合密度函数.     

基于非负矩阵分解和Normal_Matrix的肿瘤基因分类

文中提出了一种结合非负矩阵分解和Normal_Matrix谱分解技术的肿瘤基因分类方法.其分类过程首先是利用fdr_test记分准则粗略除去噪声基因以实现基因表达谱数据的初步降维,进而运用非负矩阵分解萃取基因间的综合属性,通过综合属性构造样本间的Normal_Matrix并对其进行奇异值分解获取表征样本类别属性的谱分量实现肿瘤类型的分类识别.采用三组具有代表性的肿瘤基因表达谱数据进行实验,通过与其他方法的对比,其结果证明了文中方法的可行性和有效性.     

块Hankel矩阵快速低秩估计及在地震信号中的应用

通过利用BHHB矩阵(复数块Hankel矩阵)的结构特点,提出了快速稳定的对BHHB矩阵进行SVD(奇异值分解)分解的方法.该方法首先进行Lanczos二对角化,若是对称BHHB矩阵,则进行三对角化来保持对称性;然后利用Twisted分解方法对实二对角方阵(或对称三对角矩阵)进行SVD分解.此快速SVD算法的优势在于,Lanczos分解过程中使用了新的BHHB矩阵与向量的快速乘法,该乘法通过1维FFT(快速傅里叶变换)代替多维FFT,在加快计算速度的同时减少了存储量;而后Twisted分解采用部分SVD而不是整体SVD,从而节约了计算时间.数值试验结果表明,快速SVD算法大大提高了计算效率,减少了存储空间;地震信号的实验结果说明,Cadzow滤波方法比目前常用的预测滤波技术效果更好,结合快速SVD算法后,能够快速有效去除信号中的噪声.因此,块Hankel矩阵的快速SVD分解算法在地震信号处理和其他涉及块Hankel矩阵的实际应用中,尤其是解决大规模问题方面,有很好的发展前景.     

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.     

基于块奇异值分解的小波域数字水印算法

根据小波变换和奇异值分解理论的原理、特点以及它们在数字水印领域中的应用优势,提出一种基于块奇异值分解的小波域水印技术.充分利用小波和奇异值分解的优点,结合JPEG方案中分块的思想,首先对宿主图像进行小波变换,对变换后的低频系数再进行块奇异值分解,选取每块中最大奇异值组成新矩阵以嵌入水印信息.在检测时,提出采用多方案水印提取算法以适应不同的攻击.实验表明,该算法对图像退化处理或攻击均具有较强的鲁棒性.     

OFDM信道估计的复矩阵分解及FPGA实现

应用基于奇异值分解的OFDM（orthogonal frequency dirision multiplexing）信道估计降低计算量的同时能够保证信道估计的性能,研究OFDM信道向量自相关矩阵奇异值分解的FPGA(field programmable gat array)实现,提出一种复共轭对称矩阵奇异值分解的FPGA简化实现方法,将复矩阵的奇异值分解转换为实矩阵的奇异值分解,并根据实对称矩阵SVD(singular value decomposition)的特点对Systolic阵列结构进行改进,减少了所占用的资源。最后设计了高阶实对称矩阵SVD的FPGA实现方案,仿真结果表明该设计方案是可行的,能够应用于OFDM信道估计系统。