二维截断奇异值分解方法在图像恢复中的应用

研究了二维截断奇异值分解(2-DTSVD)在大规模图像恢复中的应用,起到了正则化的作用,克服了问题固有的不适定性,同时也解决了由于存储有限带来的问题。实验结果表明,该方法恢复效果显著。

基于2dSVD和高斯混合模型的多变量时间序列聚类

针对多变量时间序列(MTS)存在时间和变量两个维度,以及传统主成分分析(PCA)方法在MTS数据表示上的局限性,提出一种基于二维奇异值分解(2dSVD)和高斯混合模型(GMM)的MTS聚类算法。该文计算MTS的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;用GMM从概率分布角度对特征矩阵进行聚类。数值实验结果表明,该方法对多变量时间序列具有更好的聚类效果。

基于2DSVD特征提取的工业设备故障诊断

工业设备数据通常具有“多变量+时序”的复杂二维特性,而在当前工业设备故障诊断领域,主流的特征提取方法只提取了一维特征。针对特征提取不充分的问题,提出一种基于2DSVD特征提取的工业设备故障诊断方法,该方法首先使用故障诊断训练样本集构造行-行以及列-列的协方差矩阵,然后通过协方差矩阵的特征向量提取样本特征,最后结合KNN算法对特征集合进行分类,实现故障诊断。使用2DSVD方法提取的特征矩阵不仅行数及列数比原故障诊断样本低,而且充分考虑了样本的二维特性。同时,构建了基于2DSVD+KNN的故障诊断模型,并利用自动洗车机实验数据与传统的只基于1维特征提取的方法以及无特征提取的方法进行对比实验,实验结果表明基于2DSVD特征提取方法的故障诊断准确率有明显的提高。

基于数据块的多变量时间序列相似性度量

针对现有经典的时序数据相似性度量方法共同主成分分析(CPCA)和二维奇异值分解(2DSVD)中存在无法保存时序数据集合中蕴涵的某些重要局部特征的问题,提出了基于数据分块方式的CPCA方法和2DSVD方法。该算法首先对原始多变量时间序列数据进行分块处理,然后对分块得到的子矩阵采用CPCA、2DSVD进行特征提取,从而得到代替原始模式的低维新模式,最后在低维空间中利用最小距离法构建分类器对多变量时间序列进行分类。EEG数据分类实验证明了所提方法的有效性。

基于2DSVD的多变量时间序列半监督分类

目前时间序列半监督分类研究主要集中在单变量时间序列,由于多变量时间序列(MTS)变量之间存在复杂关系, MTS的半监督分类研究比较少.针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性.在10个MTS数据集上的实验结果表明,该方法的分类性能显著地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法.