基于群组信息改进矩阵分解的群组推荐方法

随着网络群组功能的兴起,向用户群组直接生成推荐建议可以有效减少用户搜寻其感兴趣项目的搜索过程和检索时间,为此提出基于改进矩阵分解的群组推荐算法。以融入群组特有信息的矩阵分解为基础模型,根据用户间的共有群信息计算其相关性,并将其集成到矩阵分解中以生成群内单用户的偏好评分。采用群推荐中常用的三种策略进行个人评分融合,实现有效的群组推荐。与已有算法进行对比实验,结果表明,该算法在各评价指标上的群组推荐性能更优。

基于自适应形态提升小波与改进非负矩阵分解的发动机故障诊断方法

信号处理与特征参数提取是实现发动机故障诊断的关键。针对传统小波和形态小波的缺陷,提出一种自适应形态梯度提升小波变换(AMGLW)。该方法采用信号的局部梯度作为判断信号奇异性的度量指标,在信号突变处采用提出的形态梯度提升算子以保留信号的冲击特征,在信号缓变处采用平滑算子以抑制噪声。在此基础上,提出采用改进非负矩阵分解方法对分解后的信号进行特征提取,计算用于发动机故障分类的特征参数。利用实测的发动机在5种状态下的振动信号对提出的信号处理及特征提取方法进行了验证。

基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案

为快速检测及可靠识别直流配电网故障,提出一种基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案。通过最小二乘法非线性拟合故障电流局部的相频谱函数,基于此在一定的条件下修改经验小波函数的相频响应,使之尽可能与故障电流的局部相频特性相匹配;运用改进经验小波变换分解电流,计算细节分量c_(3)的模极大值,构造故障检测判据;设计一种权重自学习网络,依据数据对分类任务的重要性分配不同的权重,嵌套于多视角深度矩阵分解模型前端,运用改进多视角深度矩阵分解模型对电流分量c_(1)—c_(3)、极间电压u_(dc)这4个视角的数据进行故障特征提取,通过软分配层实现故障的分类。仿真测试结果表明,所提故障检测方案能够满足故障检测速动性、可靠性的要求,故障分类准确度高,为后续故障处理奠定了良好基础。

一种改进增量非负矩阵分解人脸识别算法研究

针对人脸面部图像辨识易受非均匀光照因素的影响,从而降低识别率问题,提出一种改进的人脸识别算法。首先,通过使用中心对称局部二阶微分模式提取人脸图像的二阶微分表征向量;其次,利用改进的增量非负矩阵分解(IINMF)算法来训练人脸图像样本的类别信息进而提取人脸图像表征向量,同时提高了算法迭代优化求解时的收敛机能;然后使用典型相关性分析(CCA)合并CS-LDP和IINMF提取的人脸面部图像表征向量获得融合后的人脸图像表征向量,最后利用最近邻分类器进行分类,获得最后的辨识结果。实验结果表明,提出的算法对光照下的识别具有较高的识别率,拥有良好的实时性和鲁棒性。

群组信息优化矩阵分解的群组推荐方法

随着网络群组功能的兴起,向用户群组直接生成推荐列表可以有效减少用户的搜索过程和检索时间,组推荐的研究与应用逐渐受到关注。为此,提出基于改进矩阵分解的群组推荐算法,算法首先根据用户共有群信息计算用户间的相关性,并将其集成到矩阵分解中以生成单用户的偏好评分,然后采用基于均值与最小辛苦策略融合的修正满意平衡策略进行评分融合,实现有效的群组推荐。与已有算法对比实验结果表明,提出算法在各评价指标上的群组推荐更优。

改进NMF优化的水声目标信号增强算法

水声目标的特征相似和海洋环境噪声的多变,使得非负矩阵分解(NMF)算法的信号增强效果不佳。为此,提出基于改进NMF的增强算法,该算法一方面使用实际海洋环境噪声实时更新背景噪声基矩阵,以增强基向量的匹配性,另一方面对特征基矩阵进行相似检测去冗余,以消除系数分散造成的基向量丢失,最后构建增强滤波器实现目标信号的重构增强。实验结果表明,相比于正则化NMF算法、改进正交匹配追踪方法,所提算法取得最优的信号增强效果,并通过实测数据轴频提取实验结果进一步验证了所提算法的有效性。

基于IMD与Canopy的非均匀资源推荐算法

在向用户推荐资源的过程中,常见的推荐方法在不同相似性度量指标下,对于非均匀性资源的推荐结果质量不能得到保证。针对上述问题,提出基于改进矩阵分解与Canopy的非均匀资源推荐算法。利用Canopy技术对非均匀资源进行聚类处理,设定两个阈值作为判断依据,确定聚类中心,在所有聚类结果完全收敛后,获得非均匀资源的聚类结果。从聚类结果中提取出非均匀资源隐含特征,由改进矩阵分解技术将目标分解为两个子矩阵,并根据推荐需求定义损失函数,不断优化两个子矩阵,求解出最优结果,组成推荐集合,将结果推荐给用户。实验结果表明,设计的推荐算法在不同相似性度量指标下,top推荐预测效果好,更加接近用户需求,计算效率高,推荐质量得到了提高。

改进投影梯度NMF的NSST域多光谱与全色图像融合

为了有效结合多光谱图像的光谱信息和全色图像的空间细节信息,进一步改善融合后多光谱图像的质量,提出了基于改进投影梯度非负矩阵分解(NMF)和改进脉冲耦合神经网络(PCNN)的非下采样Shearlet变换(NSST)域多光谱和全色图像融合方法。对多光谱图像进行亮度-色度-饱和度(IHS)变换,将其亮度分量与全色图像进行直方图匹配,增强全色图像的对比度;分别对多光谱图像的亮度分量和全色图像进行NSST变换,对二者的低频系数利用改进投影梯度NMF进行融合,进一步提高融合后图像的空间信息;对于高频子带系数,采用基于改进PCNN的方法进行融合,增强图像的细节信息;经非下采样Shearlet逆变换得到融合后的亮度分量,进行IHS逆变换得到融合图像。大量实验结果表明,所提出的方法在保留多光谱图像光谱信息的同时,增强了融合图像的空间细节表现能力,优于现有的基于IHS变换、基于非下采样Contourlet变换(NSCT)和NMF、基于NSCT和PCNN等几种融合方法。