一种奇异值分解与子空间加权联合的改进MUSIC算法

在低信噪比、小快拍数等非理想条件下,经典DOA估计算法对邻近目标的分辨率严重下降,甚至失去分辨能力。针对这一问题,提出了一种将重构的接收信号协方差矩阵进行奇异值分解并与改进的加权子空间方法相结合的改进算法。该算法充分利用互相关信息构建新的接收信号协方差矩阵,并对噪声子空间信息采用新的校正方法,对噪声特征值进行改造,之后对噪声子空间进行加权,最后与信号子空间加权技术相联合。仿真实验证明,改进算法在低信噪比和小快拍数条件下可以分辨间隔4°的相邻目标,统计分析表明该算法的分辨率明显优于经典MUSIC算法。

基于奇异值分解算法的电气设备绝缘介损传感信号检测方法

针对信号起伏特性冗余,忽略了双重信号噪声的影响,导致检测结果的绝缘介损因数偏差较大的问题,提出基于奇异值分解算法的电气设备绝缘介损传感信号检测方法。构建时序特征窗口平滑处理原始传感信号,分析处理后传感信号的脉冲与高斯双重噪声,分离重构去除相应噪声值,引入奇异值分解算法将绝缘介质电流传感信号分解出来,解析分解信号的形态波计算得到绝缘介损传感信号检测结果。实验结果表明:所提方法应用后得出的检测结果,表现出的绝缘介损因数偏差较小,检测准确度较高,满足了电气设备绝缘性能运维的实际需求。

改进奇异值分解的海杂波抑制算法

针对强海杂波背景下海面运动目标回波信号难以检测的问题,提出了一种奇异值分解和双延迟线对消算法相结合的海杂波抑制算法。首先将脉冲压缩后的目标回波信号按周期重排成快慢时间维度矩阵,进行周期奇异值分解;然后构造出信号所对应奇异值的阈值和输入信杂噪比的关系,利用阈值对奇异值指数比进行判决,实现自适应区分海杂波和目标信号;最后对重构后的目标信号进行双延迟线对消,抑制杂波的同时确保目标信号的损失降到最低。采用实测数据对算法性能进行实验验证,相比于现有的海杂波抑制算法,所提方法能够适应目标回波序列信杂噪比的变化,在输入信杂噪比为-30 dB下仍能抑制大部分杂波并准确检测信号,由此验证了新算法具有更好的抑制效果和更优的检测性能。

基于QR迭代的量子奇异值分解

针对大型矩阵奇异值分解(singular value decomposition,SVD)时使用经典算法时间复杂度较高,以及已有的量子SVD算法要求待分解的矩阵必须具有非稀疏低秩的性质,并且在计算过程中构造任意大小酉矩阵对目前的量子计算机来说实现起来并不容易等问题,提出基于QR迭代的量子SVD。QR迭代使用的是Householder变换,通过量子矩阵乘法运算完成经典矩阵乘法运算过程。实验结果表明,该方法能够得到所求矩阵的奇异值及奇异矩阵,使大型矩阵的SVD具有可行性。

基于SM2和奇异值分解(SVD)的指纹水印身份认证算法

身份认证技术是信息系统安全的第一道屏障。为了安全,准确,快速地进行身份认证,提出了一种基于SM2算法和奇异值分解的指纹水印的身份认证算法。该算法提取了指纹中的重要信息,并将其经过SM2数字签名算法加密后嵌入到载体图中。SM2在安全性和加密长度等方面具有很大的优势。奇异值分解可以保证载体图像的质量。通过实验证明,基于SM2和奇异值分解的指纹水印身份认证算法可以有效地对指纹的特征进行特征提取和身份认证,并且为指纹信息的安全性提供了很好的保证。

奇异值分解(SVD)及其在时间序列分析中的应用——算法与问题研究

本文综述奇异值分解(SVD)算法及其在时间序列分析应用中的最新研究成果,重点讨论基于 SVD 的各种算法及其内在联系.

基于奇异值分解的地震数据去噪分析与研究

奇异值分解(SVD)是去除地震数据噪音、提高信噪比的一种有效方法。本文对基于奇异值分解的地震数据去噪进行了分析与研究,主要阐述了SVD和SVD去噪的基本原理,然后进行了模型验证和实际应用,去噪结果可知SVD技术不但可以有效去除地震数据中的随机噪音,而且具有良好的保真性,从而为后续的油气勘探开发工作打下了坚实的基础。地下构造特征是解决水文地质、天然地震带检测、探测油气以及其他各种矿藏资源等工程问题的关键资料,而获取地下构造特征的主要技术之一就是地震勘探。而在实际地震勘探过程中,地震数据一般会受到很多噪音干扰,这些噪音的能量大小不一,在很大程度上降低了地震数据的品质,给后续的处理、解释、储层预测等工作带来了很大的影响.

一种基于局部结构的改进奇异值分解推荐算法

基于奇异值分解(Singular Value Decomposition,SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用。针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化SVD推荐算法。在MovieLens和Netflix数据集合上的实验结果表明:与经典SVD算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于SVD++,在训练时间上具有显著优势。

大型矩阵奇异值分解的多次分割双向收缩QR算法

针对传统QR(Quadrature Right-triangle)算法在处理某些大型矩阵的奇异值分解时不收敛的本质原因,提出双向收缩、多次分割的解决对策.研究了对奇异值分解精度有重要影响的从左至右、从下至上的非零元素直线驱逐算法,提出了矩阵分割时子方阵首、末行的搜索算法,进而实现了针对大型矩阵奇异值分解的多次分割、双向收缩QR算法.通过实例比较了不分割与多次分割时算法收敛速度的差异,证实了多次分割双向收缩QR算法具有迭代次数少、迭代过程无停滞、收敛迅速等优点,解决了传统QR算法处理某些大型矩阵的SVD时不收敛的问题,对任何大型矩阵都可实现快速SVD运算.

基于奇异值分解的压缩感知噪声信号重构算法

压缩感知是通过对信号信息采样的信号处理新方法,它对可压缩信号可以大大降低采样数据。为提高噪声信号在压缩感知中的重构精度,本文提出了一种基于对观测矩阵奇异值分解的噪声信号重构算法,该算法对随机观测矩阵进行奇异值分解,通过均值算法修改对角矩阵的特征值,产生新的观测矩阵用于线性测量,理论证明了新观测矩阵比原观测矩阵具有更高的重构精度。仿真结果表明,算法重构精度在一维信号提高了3%～5%,二维信号的PSNR值提高1～2 dB。

炉膛三维温度场重建中Tikhonov正则化和截断奇异值分解算法比较

在煤粉锅炉诊断中火焰辐射能图像扮演着越来越重要的角色,通过电荷耦合器件(CCD)获得的辐射能图像可以重建出炉内火焰三维温度场,CCD用于获取视场角内的辐射能图像.温度场重建的矩阵方程是一个严重病态的方程,本文使用两种算法(Tikhonov正则化算法和截断奇异值分解(TSVD)算法)来重建温度场.应用广义交叉检验算法来选取正确的正则化参数.数值模拟的环境为一个10 m×10 m×10 m的三维炉膛,系统被划分为10×10×10的1000个网格,每个网格单元都是边长为1 m的立方体.在正问题求解所得到的CCD接受信号基础上加上不同随机误差以模拟测量时的CCD接受信号.研究两种算法重建后的温度重建误差、两者的重建时间,以及最高温度的重建效果.初步的研究结果显示,一般情况下基于Tikhonov算法重建的温度场比基于TSVD算法重建的温度场误差要小,计算所需时间短,最高温度重建更准确.

频域奇异值分解(SVD)地震波场去噪

无规则干扰噪声的频谱分带较宽,不存在相干性;但在同一地区地震信号的主频带区间大致相同,尤其是叠后数据,也就是说各地震道有效频带的频谱存在较好的相干性。本文基于这个特点,通过傅里叶变换,在频率域进行SVD变换,并设计滤波因子,提取目标信号的奇异值进行重构频域信号,然后再进行反傅里叶变换,实现地震波场分离与去噪。与传统的带通滤波相比,该方法能彻底压制主频带干扰噪声,保护高、低频有效信号。实际地震数据处理表明,在不破坏原始地质信息的前提下,能较好地提高地震信号的信噪比。

基于遗传算法的奇异值分解信号去噪算法

针对奇异值分解信号降噪方法中吸引子轨迹矩阵(Hankel矩阵)结构的确定,以及有效奇异值的选择两个关键问题,提出了一种基于遗传算法的奇异值分解信号去噪算法。首先,利用原始信号构造Hankel矩阵,运用遗传算法对矩阵结构进行优化,然后对含噪声信息的矩阵进行奇异值分解,最后通过K-medoids聚类算法确定有效奇异值个数,对有效奇异值和其对应的向量进行奇异值分解反变换,还原原始信号,达到去噪目的。通过仿真实验并与小波包变换、小波变换以及传统快速傅氏变换(FFT)去噪方法相比较,结果表明该算法具有良好的去噪效果。

一种基于奇异值分解的分层重构算法

以仿射投影来逼近透视投影 ,采用共轭梯度法迭代估计射影深度 ,通过测量矩阵的奇异值分解实现射影重构 .在摄象机内参数已知的情况下 ,求解一个满足欧氏重构条件的 4× 4非奇异矩阵 ,由此矩阵将射影重构变换为欧氏重构 .

基于小波域奇异值分解的图像压缩算法

提出了基于小波域奇异值分解(SVD)的图像压缩算法,该算法通过对小波分解系数进行奇异值分解,进而对小波系数进行压缩,实现图像压缩。将该算法与图像奇异值分解直接压缩的算法进行了实验比较,实验结果表明,该算法较图像奇异值分解直接压缩的算法具有更好的性能,在同样压缩比的情况下能获得更高的信噪比。

一种基于领域信任及不信任的奇异值分解推荐算法

传统协同过滤算法存在数据稀疏与冷启动问题,社会化推荐算法虽然能在一定程度上缓解这些问题,但大多数的算法都只从单一的角度来衡量信任关系的影响。为了更准确地度量社交关系对推荐预测的影响,提出了一种基于领域信任及不信任的社会化奇异值分解(Field Trust and Distrust based Singular Value Decomposition,FTDSVD)推荐算法。该算法在SVD推荐算法的基础上加入了用户的信任关系与不信任关系,利用不信任关系对社交关系进行修正,并且充分考虑用户的信任领域相关性和全局影响力。在Epinions数据集上将FTDSVD算法与相关算法进行了对比,结果证实了该算法在提高推荐质量和缓解冷启动问题上效果显著。

基于LU分解和交替最小二乘法的分布式奇异值分解推荐算法

针对当前分布式潜在因子推荐算法存在时间复杂度较高、运行时间较长的问题,文中提出基于LU分解和交替最小二乘法(ALS)的分布式奇异值分解推荐算法,利用ALS利于分布式求解目标函数的特点,提出网格状分布式粒度分割策略,获取相互独立不相关的特征向量.在更新特征矩阵时,使用LU分解求逆矩阵,加快算法的运行速度.在KDD CUP 2012 Track1中的腾讯微博数据集上的实验表明,文中算法在确保一定推荐精度的前提下,大幅提升推荐速度和算法效率.

融合奇异值分解和主分量分析的人脸识别算法

提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。

基于奇异值分解的半易损水印算法

随着数字图像在报刊杂志、医院、法庭中的广泛应用,越来越需要一种有效的图像认证方法,数字水印技术为上述问题提供了一个潜在的解决方案。本文提出了一种基于分组奇异值分解(SVD)的半易损水印技术, 算法将经过伪随机排序的二值图像通过量化策略嵌入到分组SVD分解中最大的奇异值点,提取水印信号无需使用原始图像.仿真实验表明水印是不可察觉的,可将JPEG有损压缩同恶意攻击区分开来,能够准确地定位被篡改的图像内容。

小波包分析与奇异值分解(SVD)叠前去噪方法

小波分析多用于去除面波,奇异值分解多用于去除相干干扰,而对于强相干干扰和面波共存的地震记录,仅使用单一去噪方法难以奏效。为此本文将小波包分析与奇异值分解结合起来,就可以解决单一去噪方法难以解决的去噪问题。此法首先利用小波包变换进行分频处理,然后在分频的记录中,用自动追踪同相轴的方法找出相干干扰和面波同相轴的方向,再利用奇异值分解(SVD)方法恢复相干干扰和面波的波场,最后将其从原始地震记录中减去,即可获得去噪后的地震记录。通过对实际资料的试算,表明该计算方法的效果是明显的。