Interference Alignment in Two-Way Relay Networks via Rank Constraints Rank Minimization

Interference alignment(IA) is one of the promising measures for the multi-user network to manage interference. The rank constraints rank minimization means that interference spans the lowest dimensional subspace and the useful signal spans all available spatial dimensions. In order to improve the performance of two-way relay network, we can use rank constrained rank minimization(RCRM) to solve the IA problem. This paper proposes left reweighted nuclear norm minimization-γalgorithm and selective coupling reweighted nuclear norm minimization algorithm to implement interference alignment in two-way relay networks. The left reweighted nuclear norm minimization-γ algorithm is based on reweighted nuclear norm minimization algorithm and has a novel γ choosing rule. The selective coupling reweighted nuclear norm minimization algorithm weighting methods choose according to singular value of interference matrixes. Simulation results show that the proposed algorithms considerably improve the sum rate performance and achieve the higher average achievable multiplexing gain in two-way relay interference networks.

A Class of Algorithms for Solving LP Problems by Prioritizing the Constraints

Linear programming is a method for solving linear optimization problems with constraints, widely met in real-world applications. In the vast majority of these applications, the number of constraints is significantly larger than the number of variables. Since the crucial subject of these problems is to detect the constraints that will be verified as equality in an optimal solution, there are methods for investigating such constraints to accelerate the whole process. In this paper, a technique named proximity technique is addressed, which under a proposed theoretical framework gives an ascending order to the constraints in such a way that those with low ranking are characterized of high priority to be binding. Under this framework, two new Linear programming optimization algorithms are introduced, based on a proposed Utility matrix and a utility vector accordingly. For testing the addressed algorithms firstly a generator of 10,000 random linear programming problems of dimension n with m constraints, where , is introduced in order to simulate as many as possible real-world problems, and secondly, real-life linear programming examples from the NETLIB repository are tested. A discussion of the numerical results is given. Furthermore, already known methods for solving linear programming problems are suggested to be fitted under the proposed framework.

基于低秩约束的CT重建算法

为提高图像重建质量,结合压缩感知理论,提出一种非局部的基于低秩约束的图像重建算法。采用Shepp-Logan头模以及真实脑部CT切片进行重建,以峰值信噪比作为重建图像质量评判标准,并与其他两种重建算法的重建结果比较。经过一定次数迭代后,基于该算法的重建图像结果更贴近原始图像,且收敛时间更早。实验结果表明,在重建低剂量CT图像上,提出的算法在重建质量和收敛速度上均优于对比算法。

平滑非负低秩图表示聚类算法

针对现有低秩图表示算法在构建表示图时未能精确捕获数据的全局表示结构、未能充分利用数据有效信息指导表示图的构建以及构建的表示图不具有适于聚类的连通结构等问题,提出了平滑非负低秩图表示聚类算法(SNLRR)。SNLRR采用一种更符合矩阵秩特性的对数行列式函数代替核范数平滑地估计秩,有效降低矩阵较大奇异值对秩估计的影响,平衡了所有奇异值对秩估计的贡献比重,增强秩估计的准确性,从而更精准地捕获数据的全局表示结构。为了更加准确地捕获数据局部表示结构,SNLRR引入距离正则项为每个数据点自适应地分配最优近邻学习表示矩阵。此外,SNLRR对表示矩阵的拉普拉斯矩阵施加秩约束,使最终学习到的表示图具有与簇个数相同数量的连通分量,即表示图具有适于聚类的连通结构。与八个对比算法在七个高维且分布复杂的数据集上的实验结果显示,SNLRR算法的聚类性能均优于八种对比算法,Accuracy平均提高了0.2073,NMI平均提高了0.1758。因此,SNLRR是一个能够有效处理维度高且分布复杂数据的图表示聚类算法。

基于双平滑函数秩近似和群稀疏的高光谱图像恢复模型

高光谱图像(HSI)具有良好的光谱识别能力,被广泛地应用于各种领域。然而,HSI在成像过程中易受到混合噪声的污染,会严重削弱后续任务的准确性,如何高质量地恢复HSI是需要解决的首要问题。目前,基于低秩先验和全变分正则化结合的HSI去噪方法取得了较好的性能,但这些方法一方面忽略了高强度条纹噪声在空间结构和光谱分布上的特征,使得噪声无法完全去除,另一方面没有考虑HSI差分图像低秩子空间的信息,不能挖掘潜在的局部空间光滑结构。为此,提出了一种基于双平滑函数秩近似和群稀疏的HSI恢复模型。首先,利用双平滑函数秩近似模型探索干净HSI和条纹噪声的低秩结构,去除结构化条纹噪声等高强度混合噪声。其次,将基于E3DTV的群稀疏正则化融入双平滑函数秩近似模型中,充分挖掘HSI差分图像的稀疏先验信息,进一步提升图像在空间恢复和光谱特征保留方面的性能。最后,设计了交替方向乘子法(ADMM)求解所提出的BSRAGS模型。仿真和真实数据实验均表明,所提模型能够有效提高图像恢复质量。

基于三支决策的多视图低秩稀疏子空间聚类算法

多视图子空间聚类是一种从子空间中学习所有视图共享的统一表示,挖掘数据潜在聚类结构的方法.作为一种处理高维数据的聚类方法,子空间聚类是多视图聚类领域的研究热点之一.多视图低秩稀疏子空间聚类是一种结合了低秩表示和稀疏约束的子空间聚类方法.该算法在构造亲和矩阵过程中,利用低秩稀疏约束同时捕捉了数据的全局结构和局部结构,优化了子空间聚类的性能.三支决策是一种基于粗糙集模型的决策思想,常被应用于聚类算法来反映聚类过程中对象与类簇之间的不确定性关系.本文基于三支决策的思想,设计了一种投票制度作为决策依据,将其与多视图稀疏子空间聚类组成一个统一框架,从而形成一种新的算法.在多个人工数据集和真实数据集上的实验表明,该算法可提高多视图聚类的准确性.

基于低秩表示的人脸识别方法

随着人工智能和计算机视觉技术的快速发展,人脸识别技术在各领域得到了广泛的应用。人脸识别可以应用于安全监控、身份认证、社交媒体、人机交互等多个领域,它能自动识别和检测人脸,并将其与预先存储的人脸进行比对和匹配。低秩表示是一种利用低秩矩阵对高维数据进行降维表示的方法。在人脸识别中应用低秩表示,可以提取出重要的人脸特征,减少冗余信息和噪声的影响。低秩表示还能增强模型的鲁棒性,使其对光照、表情、姿态等具有更好的适应性。文中对基于低秩表示的人脸识别方法进行了研究,以期为相关人员提供参考。

基于类间排名相关性的解耦知识蒸馏

知识蒸馏(KD)从提出到现在已经取得了很大的成功,不过很多蒸馏策略都是把目光放在了中间层的特征,反而忽略了logit蒸馏的可发展性。解耦知识蒸馏(DKD)的提出使得logit蒸馏重回大众视野。不论是知识蒸馏还是解耦知识蒸馏,都是使用了强一致性约束条件从而导致蒸馏效果次优,特别是在教师网络和学生网络架构悬殊时这种现象尤为突出。针对这个问题,提出了基于类间排名关系一致性的方法。该方法保留教师和学生非目标类预测间的关系,利用类间的排名相关性作为知识蒸馏模型中代理损失和评价指标之间的关系,从而进行教师网络与学生网络的关系匹配。该方法把这种较为轻松的关系匹配扩展到解耦知识蒸馏中,并在数据集CIFAR-100和ImageNet-1K进行验证。实验结果表明,该方法对于CIFAR-100的分类准确率达到了77.38%,比基准方法提高了0.93百分点,提高了解耦知识蒸馏图像分类的效果,证明了方法的有效性。同时,对比实验的结果证明该方法更具有竞争力。

Shuffled complex evolution coupled with stochastic ranking for reservoir scheduling problems

This paper introduces an optimization method(SCE-SR)that combines shuffled complex evolution(SCE)and stochastic ranking(SR)to solve constrained reservoir scheduling problems,ranking individuals with both objectives and constrains considered.A specialized strategy is used in the evolution process to ensure that the optimal results are feasible individuals.This method is suitable for handling multiple conflicting constraints,and is easy to implement,requiring little parameter tuning.The search properties of the method are ensured through the combination of deterministic and probabilistic approaches.The proposed SCE-SR was tested against hydropower scheduling problems of a single reservoir and a multi-reservoir system,and its performance is compared with that of two classical methods(the dynamic programming and genetic algorithm).The results show that the SCE-SR method is an effective and efficient method for optimizing hydropower generation and locating feasible regions quickly,with sufficient global convergence properties and robustness.The operation schedules obtained satisfy the basic scheduling requirements of reservoirs.

IRS辅助认知无线携能通信网络的发射功率最小化算法

智能反射平面(IRS)和认知无线携能通信技术被视为是提高能量效率和频谱利用率的潜在关键技术。文中研究了基于非线性能量采集模型的IRS辅助认知无线携能通信网络,其中次用户发射机同时给多个次用户接收机发送信息和能量,每个次用户接收机采用功率分割方式实现信息解码与能量采集,目的是通过联合优化次用户发射机的波束成形矢量、次用户接收机的功率分割系数以及IRS相移使次用户发射机的发射功率最小化。为了保证次用户发射机的信息与能量传输效率并限制次用户发射机对主用户接收机的同频干扰,考虑次用户接收机具有最小信干噪比约束、最小能量采集约束与功率分割系数约束,次用户发射机对主用户接收机有最大干扰功率值约束,以及IRS具有反射相移约束。所构建的问题属于非凸的二次约束二次规划问题,并且优化变量之间高度耦合,难以求解。文中提出一种基于半正定松弛法和连续秩一约束松弛法的交替优化算法进行高效求解。为了降低复杂度,进一步提出一种基于IRS分组的低复杂度优化算法。仿真结果表明,与几种基准算法相比,所提算法能够有效降低次用户发射机的发射功率。

Preservation of Linear Constraints in Approximation of Tensors

For an arbitrary tensor(multi-index array) with linear constraints at each direction,it is proved that the factors of any minimal canonical tensor approximation to this tensor satisfy the same linear constraints for the corresponding directions.

基于全局约束的局部融合线性嵌入算法的轴承故障诊断

提出一种基于全局约束的局部融合线性嵌入方法,该方法首先在原始空间对数据进行低秩约束,捕捉数据的全局子空间结构,同时去除数据噪声;其次分别在低秩子空间和原始空间中挖掘数据的两种几何结构;然后,通过重构误差评估两种结构的重要性,实现两种结构的线性融合;最后,构建数据的低维重构函数,完成数据显著特征的提取。在标准的轴承数据集与实验室采集的数据集上进行验证,结果表明:所提方法能够很好地利用数据的全局信息以及局部重构信息,更具鲁棒性,故障识别率也得到了相应的提高。

基于多样性的多视图低秩稀疏子空间聚类算法

本文主要研究如何通过挖掘多视图特征的多样性信息来促进多视图聚类,提出了基于多样性的多视图低秩稀疏子空间聚类算法。该方法直接将视图多样性概念应用于多视图低秩稀疏子空间聚类算法框架中,确保不同视图的子空间表示矩阵的多样性;为了实现多个视图聚类一致性同时达到提高聚类性能的目标,在该框架中引入谱聚类算法共同优化求解。通过对3个图像数据集的实验验证了该算法的有效性,同时其聚类的性能优于已有的单视图及多视图算法。

自适应邻居和图正则的表示学习

在传统基于图表示的聚类算法中,表示矩阵计算和聚类通常分开进行,导致最后获取的表示矩阵可能不能代表最优的聚类结构.为解决此问题,本文提出一种新的聚类模型,它能在学习数据表示矩阵的同时获取合适的聚类结构.首先,基于局部距离度量,通过为每个数据点自适应地分配最优近邻学习数据表示矩阵.然后,通过在模型中施加约束项,降低噪声和离群点的影响,学习更优的表示矩阵.最后,对已学习到的数据表示矩阵的拉普拉斯矩阵施加秩约束,使得最终学习到的表示矩阵中的连通分量个数与簇个数相同,得到能够表征聚类结构的表示矩阵.实验将所提出的方法与11个算法在7个数据集上进行了比较,结果验证了该算法的有效性.

结合共享近邻和流形距离的自适应谱聚类算法

谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输入数据构造的相似度矩阵,且通过特征分解得到松弛划分矩阵和离散化过程的两步独立策略难以得到一个共同最优解。因此,提出一种结合共享近邻和流形距离的自适应谱聚类算法(SNN-MSC),引入一种新的具有指数项和比例因子的流形距离,可以灵活调整同一流形内数据的相似度和不同流形之间数据的相似度之比,并将密度因子纳入流形距离度量中,以消除噪声影响;采用共享近邻重新定义相似度度量,能挖掘数据点之间的空间结构和局部关系;同时,对拉普拉斯矩阵施加秩约束,使相似度矩阵中的连通分量完全等于簇个数,能够在优化求解过程中自适应优化数据相似度矩阵和聚类结构,无须再进行离散化操作。在人工数据集和UCI真实数据集上的对比实验显示,所提算法在多个聚类有效性指标上能体现出更好的性能。

一种稀疏流形低秩表示的子空间聚类方法

针对基于非负低秩稀疏表示的子空间聚类方法不能准确描述数据集结构的问题,提出了一种稀疏流形低秩表示的子空间聚类方法。该方法使用双曲正切函数代替核范数来估计秩函数,并利用加权稀疏正则项使表示系数矩阵稀疏,同时引入稀疏流形正则项来刻画数据集的内在流形结构信息。首先通过带有自适应惩罚的线性交替方向法求解子空间表示模型。然后利用获得的表示系数矩阵构造相似度矩阵,结合使用谱聚类方法得到数据集的聚类结果,最后采用基于局部和全局一致性的半监督分类方法获得数据集的分类结果。在Extended Yale B数据库、CMU PIE数据库、ORL数据库、COIL 20数据库和MNIST数据库上的实验结果表明,本方法可以提高子空间聚类和半监督学习的准确率。

基于群稀疏正则化的高光谱图像去噪

高光谱图像(HSI)具有良好的光谱识别能力,但在采集过程中易受到混合噪声的污染,严重影响了后续任务的精度,因此HSI去噪是重要的预处理过程。针对现有去噪方法对空间-光谱先验信息利用不足、条纹噪声建模不合理的问题,提出一种新的基于群稀疏正则化的高光谱图像去噪算法。该算法将干净HSI的空间-光谱低秩特性和各波段上条纹噪声的低秩结构融入一个新框架,实现了干净HSI与高强度结构化条纹噪声的分离;同时为了有效保持图像的边缘信息,在去噪模型中引入新的群稀疏正则化,即基于L_(2,1)范数的增强型三维全变分正则化(enhanced 3D total variation, E3DTV),充分挖掘HSI差分图像的稀疏先验信息,进一步提升了图像的分段平滑性。采用交替方向乘子法对变量优化求解,在仿真和真实数据集上进行数值实验表明,所提模型具有更好的去噪和去条纹性能,在视觉效果和定量评价结果上都明显优于其他对比算法。

基于张量环分解的三维地震数据重建方法

地震数据处理一直是地震学研究的热点,地震数据重建是地震数据处理中不可或缺的一环。本研究提出一种基于张量环分解的三维地震数据重建方法。通过张量环分解将大的三维数据转换成小的三维数据的乘积,利用张量环隐空间的低秩结构对张量环因子施加低秩约束,在使用交替方向乘子法和增广拉格朗日函数求解过程中对张量环因子进行核范数正则化和奇异值分解,通过循环多线性乘积将小的三维数据恢复为大的三维数据,最终获得三维地震数据重建结果。仿真数据和真实数据的实验结果表明,与正交矩阵追踪汉克尔重建方法和数据驱动紧致框架方法相比,本方法具有更好的重建效果和计算效率。

低秩约束核非负张量分解在高光谱解混中的应用

文章提出了一种基于核张量非负矩阵分解的高光谱图像非线性解混方法,将核NMF理论与张量理论结合,通过将原始的高光谱数据以张量的形式在NMF算法中表达出来,再映射到Hilbert空间中,并施加低秩约束得到低秩约束核非负张量分解算法,让非线性数据在高维空间中变得线性可分,很好地解决了非线性光谱解混问题。模拟和真实高光谱数据的实验结果表明,该算法能够很好地处理高阶非线性的张量数据,提高了解混精度的同时,具有良好的去噪能力。

基于多视角自适应图正则的非负矩阵分解聚类

为充分利用各个视角数据内在几何结构关系,提出一种新的基于自适应图正则非负矩阵分解的多视角聚类。该算法在一个统一的框架内,通过各视角亲和矩阵自适应学习提取共识的亲和矩阵进行图嵌入来提取多视角数据共识局部结构信息。另外,通过非负矩阵分解来提取多视角数据全局重构信息。最终使各个视角的共识表达,既保持了数据多视角共识全局重构信息,也保持了数据多视角局部结构信息。该优化问题在考虑了所有数据的一致性和每个视角之间互补性的同时,引入了各个视角数据的局部结构信息,达到数据表达和聚类的效果。通过4组真实数据集的实验,结果表明所提出的方法与已有多视角聚类方法相比具有一定的优越性。