基于奇异值分解自适应UKF的再入滑翔目标跟踪

针对高超声速再入滑翔飞行器(hypersonic reentry glide vehicle,HRGV)跟踪难的问题,提出了一种基于奇异值分解的自适应无迹卡尔曼滤波跟踪算法(adaptive unscented Kalman filter tracking algorithm based on singular value decomposition,SVDA-UKF)。根据此类目标的特点,首先在气动力模型基础上建立了目标状态方程,以及将目标量测量转换至东北天坐标系下建立了量测方程。其次,采用UKF算法,并在此基础上,分别通过改用间接量测更新、引入协方差矩阵的奇异值分解、设计多位自适应因子进行改进。最后,结合HRGV目标的三类滑翔轨迹进行跟踪仿真。结果表明,SVDA-UKF算法在加快计算速度的同时,还提高了滤波精度以及可靠性,实现了对HRGV目标的良好跟踪。

基于张量奇异值分解的视觉域自适应方法

近年来,机器学习在计算机视觉中取得了许多突破性的研究进展.然而,已训练好的学习模型难以直接应用于相似但具有不同数据分布特征的其它学习任务中.域自适应技术通过抽取源域与目标域数据之间的公共特征,来实现把源域中学习到的知识迁移至目标域,从而避免针对目标域的训练数据收集和模型训练代价.但是,现有的视觉域自适应方法大都无法处理高阶的特征数据,一般都是通过简单的向量化操作将高阶张量特征转换成高维一阶向量特征.这不仅会破坏高阶特征数据内部的结构信息,而且还会增加算法的计算复杂度.为了解决上述问题,本文在保持原有张量特征结构不变的条件下,利用张量乘操作,将视觉域自适应问题抽象为求解源域和目标域的共同张量子空间以及源域和目标域特征在该共同张量子空间上投影的多变量优化问题.然后,利用张量奇异值分解和交替方向乘子法,提出一种基于张量奇异值分解的视觉域自适应方法(Visual domain Adaptation method based on TEnsor Singular value decomposition,VATES),以实现上述多变量优化问题的迭代求解.文中证明了正交张量子空间约束条件下源域与目标域表征误差最小化问题的可解性问题,并求得了相应的解析解.在公开数据集Office-Caltech-10、Office31、ImageNet-VOC2007上与17个基线模型进行对比实验.结果表明本文所提出的方法与经典的机器学习方法、非深度域自适应方法、深度域自适应方法以及张量域自适应方法相比,在无标签目标域上的图像分类精度分别提高了10.6%~43.9%、0.7%~31.1%、0.7%~24.8%以及5.7%~34.9.同时,算法的运行效率也提高了40.5%~74.3%,显著优于所对比的基线方法.实验分析也表明,VATES方法的目标域分类精度会随着所选用神经网络特征抽取能力的增强而逐渐提升.

基于截断型自适应交叉近似和奇异值分解的涡流无损检测模型

探讨了一种高效的三维涡流无损检测求解模型。该模型首次使用截断型自适应交叉算法和奇异值分解算法加速基于边界元法的涡流无损检测模型。该模型使用没有低频崩溃问题的Stratton‐Chu方程作为边界积分方程,然后使用Rao‐Wilton‐Glisson矢量基函数和脉冲基函数分别将等效面电流、磁流和磁场法向分量展开,通过Galerkin方法测试,得到阻抗矩阵。借助八叉树结构,根据块与块之间的距离关系将阻抗矩阵分为对角块、近区块和远区块,其中对角块和近区块使用边界元法直接计算存储,远区块通过综合运用自适应交叉算法、奇异值分解算法和截断核函数算法进行压缩存储。最后,以涡流无损检测基准问题为例,将运用该方法预测的结果与其他模型预测的结果以及实验结果相比较,验证了所提求解模型的准确性和有效性。

基于自适应阈值和奇异值分解的电能质量扰动检测新方法

随着电力系统规模的增大,为保证电力设备的稳定运行,电能质量数据的分析算法面临更高的要求。在考虑算法精确度及抗噪性的同时,对一些微弱扰动及复杂扰动的检测也提出了新的挑战。针对以上需求,提出一种通用的电能质量扰动检测算法,基于异常扰动波形的特点,提出基于波形差值的自适应阈值,无需调节参数即可对信号进行故障判断,实用性高,并且采用加窗的方式对信号进行奇异值分解,并根据检测结果给出明确的扰动定位;最后通过多组模拟信号与实测信号的仿真实验,验证了所提算法的有效性,并证明了算法具有计算量小、实时性高的优点;通过与其他算法的对比分析,进一步表明了文中所提算法具有更高的灵敏度与抗噪性,普适性强。

自适应奇异值分解瞬变信号检测研究

该文介绍了奇异值分解检测信号的原理,研究了井下电磁脉冲数据传输中接收到的瞬变信号和噪声的奇异值分布特性,提出了相邻奇异值增量的概念,并根据瞬变信号和噪声相邻奇异值增量的不同,区分信号与噪声。在此基础上,提出了自适应选择主奇异值个数的奇异值分解检测瞬变信号的方法,并给出该方法检测瞬变信号的具体流程。仿真结果表明,与传统奇异值分解相比,该方法检测微弱瞬变信号更准确。

一种基于奇异值分解的自适应降噪方法

根据信号处理基本理论和方法,针对奇异值分解方法中有关的Hankel矩阵有效秩难以确定的难题,提出了一种奇异值分解方法,即主分量分解方法,并通过试验数据进行了验证。仿真信号和海上实录信号的降噪实验研究表明,提出的方法比基本的LMS滤波和奇异值分解降噪效果更加优越,能有效提高信噪比并去除噪声。

一种基于奇异值分解的自适应水印算法

变换域水印算法对压缩、噪音和滤波等攻击具有较好的鲁棒性,但水印算法对仿射变换攻击的抵抗力较差,提出了基于奇异值分解的自适应水印算法,首先根据人眼视觉模型,利用小波变换的能量特性做水印容量自适应分析,然后分块嵌入具有不同能量因子的水印,既保证了水印的嵌入量又增强了其鲁棒性。最后采用能量统计技术对提取的水印作误差校正,有效地解决了提取水印对角线明显失真的问题。仿真试验表明,算法不仅对剪切、滤波和噪声等攻击有较强的鲁棒性,对各种仿射变换也有非常好的抵抗力。

融合自适应加权和局部奇异值分解的人脸识别

提出了融合自适应加权和局部奇异值分解的人脸识别方法。首先,对每个训练样本分割出人脸图像的5个特殊区域并分别进行奇异值分解,提取一些较大的奇异值构成每一区域的特征向量。然后,计算各局部块的类内距离平均值和类间距离平均值,从而得到各部分对应的权值。识别阶段,计算待识别人脸图像每一区域对所有训练样本人脸图像相应区域的隶属度,最后采用加权融合策略做出判断。基于ORL和FERET人脸数据库的实验结果表明提出的方法具有有效性和可行性。

基于小波多尺度奇异值分解的人脸识别

作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,它将多个尺度的小波子图奇异值特征组合起来用于人脸识别,在ORL,YALE和JAFFE 3个人脸数据库上的识别率分别达到82.11%,100%和95.68%。

基于自适应奇异值分解的行星齿轮箱故障诊断方法

行星齿轮箱振动信号中的故障特征通常淹没在噪声信号中,因此有必要研究如何提取这些微弱故障特征。针对传统奇异值分解特征提取方法中不能自动选择有效奇异值数目的问题,提出了一种基于自适应奇异值分解的行星齿轮箱故障诊断方法。首先根据一定的条件,通过该方法选择几个不同的有效奇异值数目并得到几组不同的重构信号;再根据这些重构信号的偏态绝对值,自动选择最佳的重构信号;最后进行包络分析,得到故障信号的包络谱。仿真和实验对比结果表明,此方法相比于传统的奇异值分解特征提取方法,能够更好地在消除噪声和提取行星齿轮箱振动信号中的微弱故障特征。

基于奇异值分解的低复杂度MIMO-OFDM系统自适应调制算法

提出一种低复杂度的MIMO-OFDM自适应调制算法。本算法对第1帧中排序后的奇异值子信道进行均匀连续的频域分组,采用最优算法计算并存储所有子信道的比特和功率分配结果,对随后数据帧中的子信道都固定地取首帧的比特和功率分配结果,因此算法复杂度极低。仿真结果表明:本算法在保证数据传输质量的前提下,在奇异值子信道数目较大的情况下,能极大减小首帧的比特和功率分配的计算复杂度和时延,提高系统的频谱利用率。

自适应奇异值分解方法及应用

介绍了目前常用的奇异值分解方法，给出了其最小二乘谱分解公式。提出了自适应奇异值分解方法，给出了自适应因子的构造方法和计算过程。本文方法几乎涵盖了目前常用的几种奇异值分解方法如截尾奇异值分解方法（TSVD）、阻尼奇异值分解方法（DSVD）、Tikhonov正则化方法（TR）等，最后利用模拟算例对本文方法进行了验证。结果表明：自适应奇异值分解方法在处理病态问题方面，具有更高的参数解算精度和可靠性，奇异值截断更具统计意义。

基于奇异值分解的自适应模板更新研究

研究了基于奇异值分解的图像匹配和目标跟踪问题。由于图像的奇异值特征具有良好的稳定性,可以将奇异值当作一种有效的代数特征来描述并表征图像。根据所定义的奇异值缩放不变量提出了一种基于奇异值分解的模板更新算法。在算法中,根据奇异值向量的缩放不变特征来度量当前模板内的目标信息,然后根据所定义的置信度自动计算更新后所需的模板大小,从而使更新后的模板更有效地包含目标。试验表明:提出的模板更新算法在序列图像的目标跟踪中具有较好的实用性。

基于自适应S变换与截断紧致奇异值分解的局部放电源复杂染噪特征提取方法

针对局部放电(PD)源信号复杂染噪,导致PD源特征提取较为困难的问题,提出一种基于自适应S变换与截断紧致奇异值分解(TCSVD)的PD源复杂染噪特征提取方法。首先,对S变换进行了优化改进,应用于PD源获取时频域矩阵,自适应的滤除窄带干扰信号,提取局部放电有用时频信号;其次,利用紧致奇异值分解对提取的时频矩阵进行分解;然后,提出拟合求导法寻找到奇异值阈值参数并对奇异值进行截断,从而滤除PD源中的白噪声信号;最后,通过理论仿真与现场测试对该文所提出的PD源特征提取方法进行了验证分析。实验结果表明,该特征提取方法对复杂染噪的PD信号有很好的特征提取能力,能够有效地提取局部放电信号的有用信息。

一种基于Casorati-奇异值分解的超快平面波超声多普勒自适应时空域杂波抑制算法

超快超声平面波成像技术实现了超声的高帧频大视野同步采集,捕捉到更多有效原始信息,而传统滤波器在处理这种大视野数据方面有诸多不足。该文基于Casorati奇异值分解(Casorati-SVD)技术提出一种改进的自适应杂波抑制算法:首先,选取一个区域的原始平面波数据构建Casorati数据矩阵并进行奇异值分解;其次,根据分解后分量的多普勒频率和能量自适应匹配合适的滤波截止参数,抑制组织杂波和噪声并提取血流信号;最后,对每个区域重复前面的步骤并统计所有输出获取最终图像。该文分别在仿体、人体手臂动脉和家兔脑血流的回波信号上验证该算法抑制杂波的能力,这些实验结果表明,相比全局Casorati奇异值分解滤波器,这种改进的分区域自适应滤波算法将信噪比(SNR)提高4.4%~50%,对比信噪比(CNR)提高4.7%~55.9%。该技术实现了多普勒血流成像的空间自适应滤波,对临床血流成像的发展有重要意义。

基于小波变换与奇异值分解的航空器弹性自适应陷波方法

针对现代航空器弹性振型频率低、接近控制系统频带,采用传统陷波滤波器抑制弹性模态,严重影响系统动态性能的问题,提出一种基于小波变换与奇异值分解的航空器弹性自适应陷波滤波方法。先利用小波变换与奇异值分解在线估计弹性振型频率,然后采用先验信息对估计结果作进一步处理,最后据此调整陷波器的中心频率,实现自适应陷波。仿真结果表明,该方法灵敏度高、辨识频率精度高、速度快、弹性抑制效果好。与相位稳定方法相比,在控制系统截止频率附近的相位滞后最大减小6.26°,最小减2.35°。

基于自适应多分辨率奇异值分解的大地电磁数据处理

针对强电磁干扰极易掩盖微弱的大地电磁有用信号,本文结合奇异值分解在去噪方面的优越性,提出基于自适应多分辨率奇异值分解(Adaptive Multi-Resolution Singular Value Decomposition,AMRSVD)的大地电磁数据处理方法.首先对大地电磁数据构建Hankel矩阵,利用MRSVD得到不同分辨率的近似信号和细节信号;然后选用近似信号和细节信号的标准差差值,对大地电磁数据进行信噪辨识;接着结合MRSVD和相邻细节信号的标准差差值,提出先验信息未知情况下的AMRSVD法;最后对辨识出的强干扰运用AMRSVD去除噪声,重构有用信号.实验结果表明,该方法的处理效率高,能有效分离出相关性较强的噪声,时间序列和视电阻率-相位曲线均得到有效改善.

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition,BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明:与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。

基于奇异值分解和多尺度小波变换的车牌字符识别研究

小波变换作为一种新兴的技术,在提取字符的结构特征方面有其自身的优势,而奇异值分解又是一种有效的代数特征提取方法。采用了两级识别方法,粗分类利用多尺度小波变换、特征值分解和3近邻法得到动态候选集,根据该候选集进行细分类。实验结果表明,该方法能够较好地对车牌字符进行分类。

基于自适应四元数奇异值分解的图像拼接检测

图像拼接将来源不同的图像合并成一幅图,由此引起图像中光照方向、噪声等特性出现不一致的情况。目前多数方法根据拼接图像中噪声的不一致性来检测伪造区域,但是普遍对不同大小图像块的噪声估计准确性不高,导致真阳性率较低,且当噪声差异较小时会检测失败。针对该问题,提出一种基于自适应四元数奇异值分解(QSVD)的噪声估计方法。对图像进行超像素分割,利用自适应QSVD估计超像素的噪声,结合图像亮度并利用多项式拟合建立图像噪声-亮度函数,得到各超像素到该函数曲线的最小距离测度。为提高检测精确率,利用色温估计算法提取超像素的色温特征,将距离测度与色温特征相融合作为最终的特征向量,利用FCM模糊聚类定位拼接区域。在Columbia IPDED拼接图像数据集上进行实验,结果表明,该方法在未经后处理图像集上的检测TPR值较对比方法至少提升8.21个百分点,且对高斯模糊、JPEG压缩和伽马校正表现出较好的鲁棒性。