题名 二维截断奇异值分解方法在图像恢复中的应用
被引量:2
1
作者
张海燕
闵涛
艾克锋
机构
西安理工大学理学院
出处
《计算机工程与应用》
CSCD
北大核心
2008年第1期60-62,共3页
基金
国家自然科学基金(the National Natural Science Foundation of China under Grant No.50579061)
高等院校博士学科点专项科研基金(theChina Specialized Research Fund for the Doctoral Program of Higher Education under Grant No.106-220546)。
文摘
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。
关键词
块特普利茨矩阵
Kronecker内积
二 维 截断奇异 值 分解
图像恢复
Keywords
block Toeplitz matrix
Kronecker product
2-D TSVD
image debluring
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于2dSVD和高斯混合模型的多变量时间序列聚类
2
作者
杨秋颖
翁小清
机构
河北经贸大学信息技术学院
出处
《计算机应用与软件》
北大核心
2024年第3期283-289,327,共8页
文摘
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。
关键词
二维奇异值分解
高斯混合模型
多变量时间序列聚类
Keywords
Two-dimensional singular value decomposition
Gaussian mixture model
Multi-variate time series clustering
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
题名 基于2DSVD特征提取的工业设备故障诊断
被引量:2
3
作者
王正家
刘鸣
何嘉奇
陈长乐
机构
湖北工业大学机械工程学院
湖北工业大学现代制造质量工程湖北省重点实验室
出处
《组合机床与自动化加工技术》
北大核心
2021年第12期49-52,57,共5页
基金
国家自然科学基金项目(51575164)。
文摘
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。
关键词
故障诊断
二维奇异值分解
特征提取
KNN
Keywords
fault diagnosis
2DSVD
feature extraction
KNN
分类号
TH162
[机械工程—机械制造及自动化]
TG506
[金属学及工艺—金属切削加工及机床]
题名 基于数据块的多变量时间序列相似性度量
被引量:1
4
作者
翟彦青
丁立新
周考
机构
武汉大学计算机学院
出处
《计算机应用研究》
CSCD
北大核心
2016年第9期2705-2707,2711,共4页
基金
中央高校基本科研业务费专项资金资助项目(2012211020209)
广东省省部产学研结合专项资助项目(2011B090400477)
+2 种基金
珠海市产学研合作专项资金资助项目(2011A050101005
2012D0501990016)
珠海市重点实验室科技攻关项目(2012D0501990026)
文摘
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。
关键词
多变量时间序列
相似性度量
共同主成分分析
二维奇异值分解
分块
Keywords
multivariable time series
similarity measurement
CPCA
2DSVD
partition
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于2DSVD的多变量时间序列半监督分类
被引量:2
5
作者
单中南
翁小清
马超红
机构
河北经贸大学信息技术学院
出处
《计算机系统应用》
2019年第11期153-160,共8页
文摘
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.
关键词
多变量时间序列
二维奇异值分解 (2DSVD)
半监督分类
Keywords
Multivariate Time Series(MTS)
two-Dimensional Singular Value Decomposition(2DSVD)
semi-supervised classification
分类号
O15
[理学—基础数学]