基于NMF初始化的非负双奇异值分解算法分析

随着大数据技术的发展,非负矩阵分解(NMF)日益成为目前最流行的模式识别方法之一,并广泛应用于文档聚类、图像处理、人脸识别、信号分析等多个领域。针对NMF中双因子矩阵的初始化问题,对非负双奇异值分解算法进行分析,数值实验表明该算法可以快速降低众多基于NMF衍生算法的近似误差。

基于Curvelet-DSVD和视觉密码的强鲁棒零水印算法

为了更好地表现自然图像的曲线特性,进一步提高数字水印算法的鲁棒性,提出一种基于Curvelet-DSVD和视觉密码相结合的强鲁棒零水印算法。对原始图像进行Arnold置乱;进行Curvelet变换得到低频域信息,对低频域信息进行分块并对各个块进行双奇异值分解(DSVD),利用块最大奇异值与整体奇异值均值之间的关系构造特征矩阵,同时利用视觉密码将水印信息生成两个共享份;最后将其中一个共享份进行Arnold置乱后与特征矩阵进行异或运算生成零水印。实验结果表明,该算法能够有效地抵抗常规攻击,与现有的零水印算法相比,鲁棒性更强,安全性更高。

基于振动信号SVM分类的配变故障识别方法

配电变压器油箱表面的振动信号富含绕组和铁芯的各类状态信息，是绕组和铁芯工作状况的最直接体现。采用希尔伯特黄（HHT）带通滤波提取配电变压器振动信号主成分，获得表征绕组状态的100Hz分量及表征铁芯状态的150～1000Hz分量；利用负载电流拟合法提取绕组振动信号的特征量，通过测到的已知振动信号估计指定负载下的绕组100Hz振动幅值，构成绕组振动的特征向量；利用具有良好泛化能力及鲁棒性的双谱分析结合奇异值分解的方法表征铁芯振动的特征。提取实验室试验测得的绕组松动、绕组变形、铁芯松动、铁芯两点接地以及铁芯接地不良等故障振动信号的特征向量，用基于信息融合的支持向量机（SVM）实现绕组和铁芯状态的识别，结果验证了本文方法的有效性和准确性。