引入时间效应的SVD++线性回归推荐算法

针对传统协同过滤算法中的数据稀疏问题,在SVD++算法和线性回归模型的基础上引入时间效应属性,提出一种推荐算法timeSVD++LR。采用SVD++算法将用户和项目信息与隐式反馈信息相融合映射到隐语义空间,将用户和项目之间的交互作用建模为该空间中的内积。通过描述用户和物品在各因子上的特征来解释评分值,在此基础上对时间效应建模,进一步提高预测结果的准确度。根据预测评分矩阵构造特征向量,将原始训练数据作为线性回归模型的输入,采用梯度下降算法优化最终代价函数,生成使得代价函数值最小的参数向量,同时将特征向量和参数向量代入预测模型求解预测评分。在MovieLens数据集上的实验结果表明,与RSVD、SVD++和timeSVD++算法相比,该算法的平均绝对误差和均方根误差均较低,其推荐准确性较高。

基于SVD-ICP算法配准CT切片重构模型与CAD模型

利用三维CT设备对工业产品进行无损检测时,由于存在定位偏差问题,CT切片重构模型和CAD理论模型会存在微小的偏差,因此需要将这二者进行匹配。文章首先从重构模型的表面任选一部分点作为初始点集,通过SVD-ICP算法求取最近邻点集,反复迭代直至达到迭代停止条件。这样可以确定出最优旋转矩阵和平移向量,从而将两个模型匹配起来。在求取最近邻点的过程中利用线性八叉树加快速度。仿真实验表明:利用该方法匹配两个模型可以达到比较满意的效果。

基于SVD++与标签的跨域推荐模型

在现有多数跨域推荐模型中,用户不能给指定项目添加标签,并且建立模型时未考虑用户的历史标签,导致推荐误差变大。针对上述问题,构建基于SVD++模型并融合标签推荐的跨域推荐模型TagSVD++。该模型继承SVD++模型利用评分数据预测的特点,加入用户和项目标签信息,通过标签使用次数反映用户喜好和项目特征,并且引入热门惩罚系数避免热门标签和项目对推荐预测的干扰。在真实电影和图书网站相关数据模拟的跨领域数据集上进行实验,结果表明,TagSVD++模型能有效提高跨域推荐的准确性。

基于SVD和Watson模型的半脆弱图像水印算法

随着版权保护越来越受到重视,图像认证和完整性检测的需求被提出,半脆弱水印可以达到这些要求。提出一种结合奇异值分解SVD(Singular value decomposition)和Watson视觉模型的半脆弱水印算法。算法将水印信号嵌入图像最大奇异值中,并利用Watson模型控制嵌入强度。实验表明算法达到了不可见性、盲检测性、区分合理与不合理失真等半脆弱水印的基本要求,并能较准确识别篡改区域,具有实用性。

基于SVD的测量系统建模方法研究

本文主要介绍了SVD方法的理论和性质,讨论了基于SVD的线性系统参数估计方法及其在间接测量系统建模中的应用,采用模块化、结构化矩阵处理函数,提出了一种以对观测数据矩阵进行SVD分解为基础的间接测量系统建模方法。并设计给出了一个数值分析实例,对文中方法的正确性和有效性进行了验证。仿真分析的结果表明该方法能够有效地去掉系统中的冗余信息,提高模型构建的准确度,尤其适合于大型测量系统的精确建模。

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断。对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别。实验证明了方法的合理性和有效性。

基于SVD-TLS的AR谱估计方法在声目标识别中的应用

为提高 AR谱估计方法的抗噪性能 ,提出采用 SVD-TLS算法。文中对该算法作了介绍 ,并用一简单例子将 SVD-TLS与其它算法作了比较 ,最后应用 SVD-TLS对几组实测的直升机声信号进行了 AR参数估计和谐波频率提取。仿真结果表明 SVD-TL S较之其它算法可在更低的信噪比情况下准确地提取信号的频率信息 ,具有良好的抗噪性能和数值稳定性 ,将其用于声目标识别对改善系统的抗噪性能是十分有意义的。

使用不同频率域残差和K-SVD模型的图像消噪方法

图像消噪前后的残差信息包含图像的高频信息.为了提高消噪图像的质量,在轮廓波变换域内,根据噪声图像及其K-SVD消噪后不同频率子带图像的残差信息,对残差子图像块再次进行K-SVD消噪,并将其结果与消噪图像的子带图像进行融合,得到包含残差信息的消噪子带图像,最后通过轮廓波逆变换得到消噪图像.仿真实验结果证明了所提出的基于不同频率子带内残差信息和K-SVD的图像消噪方法优于轮廓波变换和K-SVD模型,具有较好的消噪性能.

基于小波掩模的自适应图像SVD水印算法

基于小波掩模给出了一种奇异值分解盲水印算法,算法自适应于图像特征。算法用重要小波系数确定不同图像特征对应的量化步长,以达到最大化水印嵌入强度的目的,在透明性和鲁棒性之间实现了较好的平衡。实验结果表明,对于常见的图像处理操作均有较好的鲁棒性。

基于相关性和SVD技术的盲隐写分析算法

针对图像分块离散余弦变换(DCT)域加性噪声隐写和基于奇异值分解(SVD)技术,提出了一种新的盲隐写分析算法。分析研究了载体图像和掩秘图像统计特征,建立了能够全面反映DCT系数相关性的数学模型;采用SVD技术提取图像特征,构建特征向量和盲隐写分析判决函数。试验结果证明:该算法检测可靠率在90%以上,综合性能比一般的隐写分析方法有明显提高。

基于正负反馈矩阵的SVD推荐模型

矩阵奇异值分解技术已经被广泛应用在个性化推荐系统之中.通过矩阵奇异值分解可以提高个性化推荐的准确度.传统的奇异值分解模型对整个矩阵进行分解,得到user和item两个特征矩阵,然后进行评分预测,并未考虑不同范围的评分包含的不同信息.通过计算评分中的临界值,把评分矩阵拆分成两个矩阵,称为正反馈矩阵和负反馈矩阵.再基于两个反馈矩阵的特征来完成对评分的预测.在实验数据方面,使用Movie Lens的数据集,对传统的奇异值分解模型(SVD)和基于超图的奇异值分解模型(HSVD)进行改进.实验结果表明,引入偏好区分概念的模型PSVD、PHSVD,其推荐效果都优于原模型.

基于分类模型和SVD的协同过滤算法

协同过滤算法是近年来运用最为普遍的推荐算法,但具有数据稀疏、冷启动的缺点。为解决上述问题,特提出综合奇异值分解(SVD)和分类模型(CM)的协同过滤推荐(CFR)算法(SCC)。首先分别建立基于机器学习的分类模型和基于SVD的协同过滤模型.前者用于获取推荐标签,而后者用于获取拟推荐物品。其次用推荐标签筛选拟推荐物品,并用Top-N的方法得到推荐物品表,实现分类模型与SVD协同过滤模型的融合。邀请多名志愿者体验不同推荐算法系统进行实验对比。实验结果表明,融合算法的准确性最高达61.92%,而满意度相对SVD算法(相对提高20.007%)与分类模型算法(相对提高5.42%)有不同程度的改善,但在数据较少情况下满意度与准确性提升并不明显,所提算法不仅一定程度上解决了冷启动问题,同时具有降低了推荐过程的复杂度。

基于SVD算法的无线光MIMO系统的性能分析

介绍了无线光多输入多输出(OMIMO:Wireless Optical Multiple-input Multiple-output)通信系统的基本组成,针对系统中存在背景光噪声和多址干扰对系统的影响,分别采用了基于奇异值分解(SVD)算法和迫零(ZF)检测算法来消除多址干扰,用Matlab进行了仿真,并对两种算法的仿真结果做了比较.仿真结果表明:在通信质量要求不高、信道矩阵奇异的情况下,采用SVD算法可以有效地消除多址干扰,很好地逼近ZF算法性能.

基于SVD和ARIMA的时空序列分解与预测

针对传统时空序列建模过程中估计空间权重矩阵时难度较高的问题,提出一种基于奇异值分解(SVD)的时空序列分解模型ST-SVD。对原始时空序列矩阵进行平稳性检测并中心化为零均值平稳时空序列,在假设时间和空间没有交互作用的前提下,利用SVD技术将时空序列分解为空间模式、时间模式以及模式强度的乘积,通过ARIMA模型对平稳的时间模式进行建模并得到其预测结果,在此基础上,将时间模式的预测结果与分解得到的空间模式相结合,利用SVD技术对真实的时空序列进行重建,得到各个空间点的最终预测结果。实验结果表明,与ARIMA、Lasso-VAR、LSTM和STARMA模型相比,ST-SVD模型的训练时间成本降低50%以上,预测精度提升10%以上,其在实际工程应用中能够有效完成时空序列预测任务。

基于ASVD的协同过滤推荐算法

协同过滤算法是推荐系统中应用最为广泛和成功的推荐技术,本文针对协同过滤推荐算法中的评分预测问题,对包含正则项的传统BSVD、SVD++模型进行分析改进,详细分析SVD模型的理论方法,加入用户历史行为记录的潜在信息,利用包含用户喜好(如浏览)的隐性特征向量矩阵替换原SVD模型中的用户特征向量矩阵,提出非对称奇异值分解(Asymmetric singular value decomposition,ASVD)模型,并将项目的特征矩阵也进行扩展形成相应的对偶模型,最后将二者的结果进行融合作为最终的预测评分.在Movie Lens数据集上进行实验验证,结果表明基于ASVD的评分预测算法与传统BSVD、SVD++相比,能有效提高推荐系统的预测精度.

SVD-En3DVar同化方法在一次飑线过程中的应用

基于集合和奇异值分解的三维变分同化方法(SVD-En3DVar)对2009年6月14日江苏地区的一次飑线过程进行多普勒雷达资料同化预报数值试验,以检验该方法在这类尺度较小的强对流天气过程中的同化应用效果。同时,还讨论了SVD-En3DVar的分块局地化方案中水平半径对此次飑线过程同化效果的敏感性,并应用WRF 3DVar进行了平行对比试验。数值试验结果表明,应用SVD-En3DVar方法同化多普勒雷达资料后能够有效调整风场、比湿和位温等状态变量,同化预报结果对分块局地化方案中水平半径参数较为敏感,水平分块半径为50 km时对组合反射率的预报效果最好。SVD-En3DVar和WRF 3DVar两种同化方法同化雷达资料后都能够提高雷达组合回波的预报水平,但SVD-En3DVar方法的效果明显优于WRF 3DVar同化系统,对回波带位置及其向东南方向发展趋势的预报和观测回波较为一致。

基于聚类和SVD算法的解释性模糊建模方法

提出了一种基于减法聚类算法构造解释性模糊模型的方法。首先指出模糊模型解释性的重要地位,分析影响解释性的主要因素;然后利用减法聚类算法辨识初始模糊模型,SVD算法和集合非冗余度约简初始模糊模型,从而提高其解释性;最后采用约束优化算法整体优化模型,提高其精度。PH值中和过程的模糊建模验证了该方法的有效性。

高速列车万向轴动不平衡检测的EEMD-Hankel-SVD方法

针对聚合经验模式分解(Ensemble empirical model decomposition,EEMD)的等效滤波特性依然存在模式分量间频带重叠较大的根本缺陷,提出一种高速列车万向轴动不平衡动态检测的新方法。该方法的核心是对万向节安装机座的振动信号进行EEMD分解得到基本模式分量,应用基本模式分量信号来构造Hankel矩阵,对该矩阵进行正交化奇异值(Singular value decomposition,SVD)分解,以奇异值关键叠层作为奇异值的选择准则对信号进行重构,应用重构信号的傅里叶谱来检测高速列车万向轴的动不平衡,消除EEMD分解模式频带重叠对故障特征的淹没和混淆效应,提高了谱的清晰度,凸显了故障特征。应用万向轴动不平衡试验数据对该方法进行试验验证,结果表明,该方法能够有效检测万向轴动不平衡引起的故障特征和万向轴的固有振动特征,与纯EEMD方法相比,该方法在谱的清晰度和故障表征力上得到了显著提高。

结构化Krylov-SVD分解的显著性目标检测算法

针对低秩矩阵在图像显著性检测中,因凸松弛迭代奇异值分解导致的计算复杂度高及稀疏矩阵元素间潜在结构关系未充分考虑导致的显著图发散或不完整现象,提出了一种结构化低秩矩阵Krylov-SVD分解的显著性目标检测算法。该算法对Arnoldi模型进行了深入研究,在Krylov-Schur重启算法的基础上对Schur分解进行改进,给出了Krylov-SVD奇异值分解算法,通过求其前k个特征值,对稀疏矩阵进行降阶处理,以降低计算复杂度;随后引入了索引树结构化稀疏范数,利用分层稀疏正则化来连接稀疏矩阵中元素之间的空间关系。实验中采用MSRA10K、SOD和ECSSD三个公开数据集、四种评价指标,与现有的十一种算法进行了对比实验。实验结果表明,该显著性目标检测算法在时间性能和精准性方面有着良好表现。

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明:采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。