结合随机矩阵理论和张量分解的非线性导航大数据异常识别

为了提高导航大数据的精度,需要识别其中存在的异常数据。为了提升非线性导航大数据异常识别精度和效率,提出了基于张量分解的非线性导航大数据异常识别方法。首先,对非线性导航大数据进行张量分解,采用滑动矩形窗划分数据获得若干个时窗段,然后引入db4小波多尺度分解各窗内数据,获得尺度不同的小波系数,并利用重构小波系数张量代替缺失数据,完成数据缺失值填补,提高数据完整度;其次,将互信息作为度量标准,建立数据的互信息矩阵,对互信息矩阵中的元素展开规范化和中心化处理,通过奇异值分解获得数据特征;再次,引入随机矩阵理论对特征展开优化选择,计算导航大数据特征的重要度,获得高精度的数据特征;最后,建立孤立树,通过孤立树给出数据特征的异常得分,以此完成非线性导航大数据的异常识别。实验结果表明,所提方法的缺失值填补精度保持在0.9以上,特征提取覆盖率达到86.3%,特征冗余度低于6.12%,异常识别精度G-mean值高于60%,识别时间低于8 s,有效提升了非线性导航大数据的特征提取精度、识别精度及识别效率。

基于NSCT及张量分解的遥感建筑边缘检测技术

常见的边缘检测及语义分割技术在遥感图像中获取的建筑物边缘不够精细,且不能反映出建筑物屋顶的细节信息。针对上述问题,提出基于非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)与张量分解相结合的边缘检测技术,以获取包括屋顶在内的建筑物细节边缘特征。首先,利用NSCT进行图像分解,得到不同尺度和角度的精细子带系数;其次,对子带系数进行位置编码,得到相应位置的二阶对称张量,再将同一位置的不同尺度、不同角度的张量进行加权求和完成特征融合;最后,根据谱理论进行张量分解,得到图像的边缘特征。实验结果表明:与双向级联网络(bi-directional cascade network,BDCN)等5种方法相比,所提方法的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)指标均优于其他方法,其中PSNR和SSIM较基于深度学习的BDCN方法分别提升1.20和0.03,且检测结果能够更准确细致地反映出建筑物的边界及屋顶的边缘信息,可对建筑物的类型和风格研判提供更好的支持。

基于张量分解的光谱图像压缩感知重构

光谱成像丰富的空间信息和光谱信息能够为弹道导弹预警探测提供重要的信息支撑,压缩感知则为实现光谱图像数据的高效采集和处理提供了有效途径。针对现有压缩感知重构多采用“空间域压缩采样和谱间传统压缩”的编码方式,仍存在一定资源浪费的问题,提出了一种基于张量分解的光谱图像压缩感知重构方法。该方法利用光谱图像数据的三维空间稀疏性,建立基于三阶张量Tucker分解的光谱图像重构模型,基于正交匹配算法设计相应的模型求解方法;将传统正交匹配算法推广到三维空间,设计一种以三阶张量为字典原子的正交匹配追踪算法,在三维空间实现光谱图像数据的压缩采样及解码重构。实验分析结果表明,该方法能够充分利用光谱图像三维数据块结构信息,有效降低重构算法复杂度,增强压缩感知重构算法性能。

基于张量分解的地铁车轮健康指数构建

地铁在运行过程中,车轮踏面、轮缘与轨道持续磨损会导致车轮性能退化。对车轮退化过程中的不同状态进行识别和评估是车辆故障预测与健康管理的关键环节。近年来,基于振动信号和机器学习的地铁车轮退化状态智能识别技术在降低人工依赖、优化镟修策略方面作用显著。但由于在实际运行过程中,地铁轮对通常受载荷、路况等因素影响,振动信号易受强噪声干扰,导致退化趋势不显著,难以直接识别其状态变化。为解决这一问题,文章提出一种基于张量重构的健康指标构建方法。该方法首先基于张量分解可有效挖掘信号高维本质信息的优点,利用张量Tucker分解获得原始信号的核心张量;其次,采用张量重构和Savitzky-Golay滤波方法对信号进行降噪处理;最后,在此基础上,利用深度自动编码器网络提取深度退化特征,建立车轮退化过程的健康指标。依托北京地铁某线路实际运行的车轮振动信号数据所进行的实验结果表明,采用该方法构建的健康指标具有良好的趋势性和单调性,能够准确描述轮对整个退化过程,所得到的异常预警位置与轮径值磨损变化和实际镟修记录准确对应。该方法的提出为地铁轮对健康管理提供一种智能化的解决方案,具有良好的实用价值。

基于张量分解嵌入的时序知识图谱推理

针对现有时序知识图谱推理中外推方法没有充分利用时间信息的问题,受张量分解模型的启发,提出将关系嵌入分为静态和动态(时序)2个部分,并通过头实体嵌入、关系嵌入和所有实体嵌入之间的双线性评分函数,计算得到对象实体的概率,从而预测对象实体。最后,在3个数据集上的实验结果验证了该方法的有效性。

一种正则化非负张量分解算法及其新的有效加速策略

非负张量分解优化模型在高维图像处理与数据分析中占有重要地位.本文聚焦超光谱图像重构问题,提出一种正则化非负张量分解算法,然后给出三种新的有效加速策略,分别为分层降维循环迭代、误差校正以及“指数保号性”策略.利用所提出的这些加速策略对算法求解效率进行综合提升与改进.最后,通过数值测试来验证本文所提出的算法与加速策略的可行性与实用性.

分布式雷达多域张量分解抗复合干扰方法

针对分布式雷达抗干扰问题,利用信号的多域信息,提出一种基于极化-空-时域联合处理的抗复合干扰方法。建立一发多收的分布式极化阵列雷达系统模型,根据接收信号的极化-空-时域特性,将其重构成一个三阶张量,进而利用张量的标准分解对目标回波信号和干扰信号进行分离,从而实现压制与灵巧干扰的抑制;然后利用真目标位置信息及速度信息的唯一性,通过多站点联合定位实现对欺骗干扰的抑制,同时估计目标的位置坐标与速度矢量。数值仿真实验验证了所提算法的有效性。

基于非负张量分解的动态社交网络链路预测

随着社交网络规模的快速增长,网络链路数据之间的发现与补全,已经是学界与工业界共同关注的一项课题。但是,传统链路分析算法多聚焦于历史链路的发现,难以准确预测社交链路中随时间变化的趋势和适应动态社交网络上的预测要求。针对以上问题,该研究提出了一种结合非负张量分解(Non-negative Tensor Factorization,NTF)和霍尔特-温特(Holt-Winters,HW)时序数据预测方法的社交网络链路预测模型。该模型使用NTF从历史图中提取节点特征,再利用HW预测方法感知节点特征随时间变化的趋势,从而实现对未来图中的链路结构的预测。结果表明该模型的AUC值相较于现有的方法提升了2.2%~12.75%,具有较好的适用性,为社交网络的链路预测问题提供了一个较好的解决方案。

基于非负张量分解的投资组合策略

有效提取股票价格时间序列中股票对之间的相互依赖关系能够提高投资组合的收益率。采用基于块坐标下降法的非负张量分解技术从股票价格时间序列中提取复杂关系,构建预测距离矩阵来代替原有的相关系数矩阵,提出基于非负张量分解的投资组合策略。选取2019—2021年中证100指数数据进行实证分析,实验结果表明:基于非负张量分解的投资组合策略具有较高的可行性,且在股市动荡时期表现要优于等权重和市值加权投资组合。

基于张量分解与场景分割的鲁棒视频水印算法

数字技术的进步使得用户更便捷地在互联网上上传和下载数据,但是由此引发了盗取伪造、非法滥用等问题。数字水印技术可以有效遏制滥用数据的行为。针对现有视频水印算法在面对视频帧攻击时抵抗能力差的问题,提出一种结合张量分解与视频场景分割的鲁棒视频水印算法,提高嵌入水印图像后载体视频的不可见性。将载体视频分割为若干个视频场景,并将视频场景从RGB颜色空间转换到YCbCr颜色空间,根据视频场景中每帧的Y分量构造高阶张量,得到相应的张量特征图并进行不重叠分块处理。根据特征图子块联合熵确定嵌入水印的子块,利用奇异值分解对选定块分解得到U矩阵,并将水印信息嵌入到U矩阵中,通过对水印图像进行Arnold置乱处理,增加水印图像的安全性。实验结果表明,在载体视频“suzie.avi”的MPSNR值为55 dB以上时,该算法对不同攻击参数的高斯噪声、椒盐噪声、泊松噪声、模糊、帧丢失、帧平均以及帧交换等攻击都具有较强的鲁棒性,归一化互相关系数均在0.938之上。

基于张量分解和联合熵的双彩色鲁棒水印算法

针对彩色图像水印算法在滤波攻击下鲁棒性较差的问题,提出一种基于张量分解和联合熵的双彩色鲁棒水印算法.首先,将彩色载体图像整体进行张量分解得到其张量特征图并分块;然后,利用联合熵提取遮蔽性较好的特征图子块;最后,将水印信息嵌入到选定块经过奇异值分解(singular value decomposition,SVD)后的U矩阵中.实验结果表明,Lena图像峰值信噪比达39 dB以上,该算法不仅能有效抵抗图像的滤波攻击,NC值最高达1.0000,而且对其他常规图像攻击以及几何攻击也有较强的鲁棒性.

基于相空间张量分解的有载分接开关故障诊断

有载分接开关一次档位切换过程中伴生的振动信号与其机械状态密切相关。文中基于有载分接开关档位切换过程中振动信号的高维相点空间分布,对有载分接开关多个位置处的振动信号进行张量化表示,用以捕捉尽可能丰富的有载分接开关机械状态信息。然后对所构建的相空间三阶张量进行Tucker张量分解以获取核心张量,据此建立基于卷积神经网络的有载分接开关机械故障判别模型。以某CM型有载分接开关动作时的振动信号为例进行分析,结果表明,有载分接开关动作时的振动信号的相空间核心张量信息全面且冗余少,所构建的基于卷积神经网络的有载分接开关机械故障诊断模型性能良好,准确率超过95%,可为有载分接开关的故障识别及状态维修提供参考依据。

联合低秩张量分解与稀疏表示的高光谱异常目标检测算法

异常目标检测是当前高光谱图像处理中的一个研究热点。针对当前异常目标检测算法存在的问题,从解决高光谱图像中含有的背景、异常目标和噪声等相关量出发,利用高光谱图像的空间谱和光谱特性,提出了联合低秩张量分解和稀疏表示的新的高光谱图像异常目标检测算法。该算法首先利用低秩张量分解模型对高光谱进行图像恢复,使图像质量得到提升,从而使得异常目标变得突出,易于进行目标检测;然后,再利用稀疏差异指数进行异常目标检测,得到需要的异常检测结果;最后,利用真实的高光谱图像进行仿真实验,结果表明,新的异常目标检测算法具有检测精度高、虚警率低和鲁棒性好的特点。

基于张量分解的简正波模态参数估计

提出了一种基于张量分解的模态深度函数和模态水平波数(统称模态参数)估计方法,解决了传统子空间方法对模态正交性的依赖。利用经距离补偿后声场的平移不变性,将模态参数估计问题转化为三阶张量的规范多元分解(CPD)问题,分解得到的因子矩阵可用于同时估计模态深度函数和模态水平波数。推导了模态参数估计问题下张量分解的唯一性条件,结果表明该方法可在模态深度函数采样向量线性无关的条件下,使用较少的深度维采样和距离维采样实现模态参数估计。仿真结果还表明该方法在距离采样孔径较小时依然具有较好的估计性能。将该方法应用于SwellEx-96实验数据,得到了与实验海域环境较吻合的模态参数估计结果。仿真和实验数据均验证了该方法的有效性。

不完整张量上基于流形学习和张量分解的特征提取

针对不完整张量数据的特征提取问题,传统的“两步走”方法,即先张量补全再特征提取,难以避免无关特征增大填补误差,进而影响特征提取的效果;而近年提出的TDVM方法尽管可以同时进行张量补全和特征提取,但由于没有考虑数据的局部结构特点,特征提取效果仍不理想.因此,本文提出一个基于流形学习和张量分解的不完整张量特征提取方法:MLTD.首先,利用“部分距离法”和非负对称矩阵分解得到完整的样本相似矩阵,进而得到样本近邻图;然后,根据近邻图建立基于流形学习和张量分解的特征提取模型,主要思想是将方差最大化和局部保持投影策略融入张量分解中.该方法可以直接从不完整张量中提取有效特征,同时保留数据的局部结构特点.本文在4个图像数据集上与5种较新的方法进行对比.实验结果表明,新提出的方法在张量补全和利用所提取的特征进行分类时性能上都有显著的优越性.

基于个体张量分解与模态的头相关传输函数重构

远场头相关传输函数(HRTF)随声源方向、频率以及个体变化。完整HRTF的数据量很大,且测量或计算每个人的高方向分辨率HRTF是很困难的。本文提出一种从少量方向的测量或计算重构高方向分辨率HRTF的方法。基于HRTF张量分解,远场HRTF可分解为方向模态、频率模态和少量个体模态的张量组合。通过对已有的基线HRTF数据库进行统计分析,可得到与个体无关的方向模态矩阵和频率模态矩阵。而对于任何新的个体,只要少量方向的测量或计算HRTF即可估计出个体模态的变化,并重构出高方向分辨率的HRTF数据。对两个HRTF数据库的计算表明,采用11个个体模态即可表示超过98%的个体相关的HRTF能量变化,并从大约30个方向的测量或计算HRTF重构出高方向分辨率的HRTF幅度。心理声学实验验证了提出的方法。该方法可用于简化个性化HRTF的测量或计算。

基于递归图和张量分解的故障可诊断性评价方法

可诊断性反映了系统故障诊断的难易程度,对系统进行可诊断性评价是开展故障诊断工作的前提条件。针对可诊断性评价问题,将测点信号考虑在内,提出了一种基于递归图和张量分解的故障可诊断性评价方法。利用相空间重构技术对装备在不同状态下的测点信号进行图形化表示,形成递归图;对递归图进行分析以提取其中的特征,并将该特征视为原信号特征;通过张量分解的方法,计算不同状态下信号特征之间的相似程度,作为故障诊断难易程度的基本度量。通过仿真实验对所提出的方法与仅考虑系统模型的D矩阵的可诊断性评价方法进行对比,结果表明该方法在评价可诊断性方面具有准确性和客观性。

一种用于多维时间序列数据修复的贝叶斯张量分解算法

完整的多维时间序列数据集在深度分析研究中非常重要,而现实数据采集中会由于各种因素导致缺失,因此高精度稳定的数据修复意义重大。针对当前数据修复中无法实现大规模多维时间序列建模的问题,提出了一种基于贝叶斯推断的结构向量自回归张量分解数据修复算法,应用张量分解来建模多维时间序列,采用结构向量自回归过程来建模时间因子矩阵。该算法将结构向量自回归和张量因子分解集成到单个模型中,有效地实现大规模及多维时间序列建模,进而结合贝叶斯推断及吉布斯采样的方法完成数据修复。结果表明,该模型较于其他算法在处理多维张量数据时均方根误差更小,提升了数据修复性能,且对于不同缺失模式的多维数据均具有良好的稳定性。

稀疏低秩核非负张量分解高光谱图像解混

为了解决传统非负张量分解过程中出现大维度矩阵导致计算速度变慢的问题,本文提出了一种基于稀疏低秩约束的核非负张量分解算法。该算法将张量数据映射到核空间内,添加稀疏约束结构,通过交替方向乘子法进行模型求解,并且考虑张量数据的非零元素及其位置,降低了算法计算的复杂度。在模拟和真实数据集上的实验验证了该算法的稳定性和有效性。

结合隐式反馈与相关性建模的概率流式张量分解推荐模型

在推荐系统中,流式张量分解模型常被用于分析和处理高维流式数据,并向用户推荐可能感兴趣的商品。然而现有模型常常忽略对象特征之间的相关性,缺乏有效的先验建模,并且模型大多仅使用显式评分数据,忽略对隐式反馈信息的利用,导致模型精度下降。针对以上问题,提出一种结合隐式反馈与相关性建模的概率流式张量分解推荐模型(POSTFR)。POSTFR通过添加具有Lewandowski-Kurowicka-Joe(LKJ)先验的协方差矩阵建模对象间的相关性,并在其中加入隐式反馈信息以提高频繁出现的对象的权重,提高了模型的准确度。在多个真实数据集上,POSTFR比其他概率流式模型取得更好的效果。