基于HOSVD局部重组的利噪抑噪经验模式分解及应用

及时准确地识别航天机构萌生和发展的损伤故障特征信息,可为机构故障诊断评估、科学任务调整以及未来在轨维修提供科学决策依据。集成噪声重构经验模式分解(ENEMD)及其衍生方法都是基于噪声利用机制以原信号中估计噪声改善模式混淆并实现信号降噪。然而,该方法中奇异值拐点难以获取、阈值处理中噪声不连续等带来的噪声估计偏差,将降低微弱特征提取准确性。为此,提出一种基于高阶奇异值分解(HOSVD)局部重组的噪声估计技术。研究基于滑动窗截断和Hankel矩阵相结合的张量构建,然后将奇异值曲率谱上的最大峰值点作为合理奇异阶,最后根据选取的奇异阶重构张量分解模型得到所需的估计噪声分量。在此基础上,将HOSVD局部重组引入ENEMD方法中,提出利噪抑噪经验模式分解方法。该方法可进一步提高微弱噪声估计精确度,实现对航天机构损伤微弱特征的增强提取。仿真分析和某航天轴承试验案例验证了该方法在损伤微弱特征提取和识别上具有实用性与有效性。

引入用户情感的高阶奇异值分解推荐算法研究

传统的三阶奇异值分解推荐算法(HOSVD)通过挖掘用户、物品标签和物品三者之间的潜在关系进行推荐,然而该方法并没有将用户的情感考虑进来。基于从评论中emoji表情提炼出的用户情感偏好,提出了一种引入用户情感的HOSVD推荐算法。该方法将emoji表情分成积极、中立和消极三类,分别给每类情感赋予不同的权重,之后计算不同类emoji表情数量的加权和来表征用户的情感;再引入三阶张量模型,应用HOSVD分解进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,该方法比基于物品的协同过滤算法、PersonalRank算法和采用用户-社刊分类-社刊三元组信息的HOSVD算法在准确率和召回率性能指标上都有明显提升,其中进行Top-1推荐时,准确率和召回率可以达到0.353和0.281。这为移动通信端的个性化推荐提供了借鉴。

基于张量分解的个性化标签推荐算法

基于互联网的社会标签推荐系统为广大用户提供了一个信息共享平台,让用户以"标签"的形式为其浏览的物品标注信息。标签既描述了物品语义,又反映了用户偏好。标签系统的最大优势在于可以发挥群体的智能,获得用户对物品比较准确的关键词描述,而准确的标签信息是提升个性化推荐系统性能的重要资源。然而,现存的标签推荐系统面临的问题是:由于兴趣的不同,不同的用户对于同一物品可能会打不同的标签,或者是同一标签对于不同用户可能会蕴含不同的语义。因此如何有效获取用户、物品、标签3者之间潜在的语义关联成为标签推荐系统需要解决的主要问题。为此引入三维张量模型,利用三维张量的3个维度来分别描述社会标签推荐系统中3种类型的实体:用户、物品、标签。在基于历史标签数据(标签元数据)构建初始张量的基础上,应用高阶奇异值分解(HOSVD)方法降低张量维度,同时实现3种类型实体之间潜在的语义关联分析,从而进一步提高标签推荐系统的准确性。实验结果表明,该方法较当前两种典型的标签推荐算法(FolkRank和PR)在准确率和召回率性能指标上有明显提升。

基于张量分解的跨领域推荐方法

在海量数据与云计算的背景下,传统的单领域推荐算法很难适应跨领域的信息推荐服务。协同滤波是一种简单常用的推荐算法,但是当目标数据非常稀疏的时候,性能严重退化,借助与目标数据领域关联的辅助数据领域进行跨领域推荐是解决此问题的一种有效途径。已有的跨领域推荐模型大多基于二维评分矩阵,丢失了很多其他维度的信息,导致推荐性能退化。论文提出了一种基于张量分解的跨领域推荐方法,通过提取不同领域的评分模式进行迁移学习填补目标领域空缺值,缓解了数据稀疏性问题,同时提高推荐结果的多样性与准确性。在三个公开的真实数据集上进行的大量实验表明,该模型的推荐精度优于一些目前先进的推荐模型,可适用于大规模信息推荐服务。

基于高阶奇异值分解的LPV鲁棒控制器设计

针对高超声速飞行器线性变参数(LPV)模型建模中准确度与复杂度之间的矛盾性,提出了一种基于网格化张量及高阶奇异值分解(HOSVD)的凸多胞LPV模型建模及控制方法。首先基于雅可比线性化给出了大包线网格化模型的张量描述形式,然后提出了一种基于HOSVD的多胞LPV模型生成算法,将网格化模型表述为有限个线性时不变(LTI)顶点及权重函数的组合,并基于舍弃的奇异值给出了建模误差的指标,最后结合某航天飞机再入段六自由度非线性模型进行了大包线鲁棒LPV控制器设计与仿真验证,结果表明该方法可获得计算复杂度低且保证建模精度的LPV模型,设计的鲁棒变增益控制器能够使系统快速跟踪姿态角指令信号,并能够保证系统的稳定性和鲁棒性。

基于PARAFAC2分解的手写数字识别算法

提出了基于平行因子2(PARAFAC2)分解的手写数字识别算法,与基于高阶奇异值分解的算法相比较,新方法的识别率没有降低,但是效率有所提高,更重要的是,新方法可以处理手写数字维数互异的情形。实验结果验证了算法的有效性。

浅谈基于高阶奇异值分解的零水印

针对目前普遍的漫画作品侵权行为,将高阶奇异值分解技术(HOSVD)应用于漫画零水印算法中,分析该技术在提取特征方面的优势,并通过仿真实验,从算法的唯一性和鲁棒性两个方面,浅谈将高阶奇异值分解(HOSVD)与零水印相结合的利弊。

集体智慧下的网络群体事件预警机制构建

针对网络群体事件的爆发与集体智慧工具的特点,提出利用自下而上的网络元数据建立本体信息库,构建网络群体事件的预警机制模型。采用高阶奇异值分解(HOSVD)实现对预警信息和可信度本体库中数据的过滤与处理,解决依据数据库中的海量信息进行情报预判的问题。以集体智慧中结合用户反馈信息的特点直接构成本体库,能够解决原有预警机制被动式信息检索的问题,有效提高机制的预警反应效率。