基于矩阵分解的协同过滤算法

协同过滤推荐算法是电子商务推荐系统中运用最成功的一种推荐技术。针对目前大多数协同过滤算法普遍存在的可扩展性和抗稀疏性问题,在传统的矩阵分解模型(SVD)的基础上提出了一种带正则化的基于迭代最小二乘法的协同过滤算法。通过对传统的矩阵分解模型进行正则化约束来防止模型过度拟合训练数据,并通过迭代最小二乘法来训练分解模型。在真实的实验数据集上实验验证,该算法无论是在可扩展性,还是在抗稀疏性方面均优于几个经典的协同过滤推荐算法。

基于矩阵填充与BP神经网络的混合推荐算法

在信息爆炸的时代,推荐系统作为重要的工具可以帮助人们从众多的数据中迅速筛选出想要的信息。由于用于预测分数的Resnick公式只关注了用户的评分记录而没有关注用户评分之间的影响,因此提出使用BP神经网络代替Resnick公式进行评分预测,同时针对推荐系统中存在的数据稀疏问题,提出采用SVD矩阵分解来填充用户项目矩阵,最终得到改进的混合推荐算法。通过用标准Movie Lens数据集对改进的混合推荐算法与传统的协同过滤进行对比,最终数据显示改进的混合推荐算法更加准确。

综合用户偏好和优先新品推荐的协同过滤算法

协同过滤算法是电子商务推荐系统中最重要的技术之一,基于传统的协同过滤推荐技术并未考虑到新商品有更多的推荐价值。提出一种改进策略,运用矩阵分解SVD算法、余弦相似性,将具有共同兴趣的用户聚簇分组,提取组内用户评价产品的特征向量,运用BP神经网络进行训练,预测用户组对未知产品的满意度。对于满意的新产品赋予较高的推荐等级,进行优先推荐。同时,也有效弥补了在传统的协同过滤算法中普遍存在着的冷启动、矩阵稀疏等问题。

基于标志点的多视角三维测量数据配准技术的研究

本文通过引入标志点 ,提出了一种在三维测量系统中对三维测量数据进行配准的方法。该方法通过对标志点的提取 ,首先得到一组匹配点对 ,然后运用SVD奇异值矩阵分解算法求出转换参数R和T ,进而以此作为所有三维测量数据的旋转矩阵R和平移向量T从而实现配准。本文论述了该方法的基本原理 。

一种高鲁棒性数字水印算法的FPGA实现

传统上数字水印算法使用软件方法实现。基于一种高鲁棒性的数字水印算法,研究了使用FPGA实现水印嵌入的方法。先通过提升小波变换将宿主图像进行3次分解,并用混沌置乱算法将水印图像进行置乱加密,然后将第3阶小波分解的LL部分进行SVD分解并得到对应的奇异值矩阵,然后将混沌置乱加密后的水印信息嵌入到该奇异值矩阵中。在该算法的FPGA实现中,主要研究了提升小波变换、混沌置乱加密、矩阵SVD分解的硬件实现方法。实验结果表明,该算法鲁棒性很高,嵌入水印的图像抗攻击性强,算法经过合理推导得以在FPGA上高效地实现。

一种快速有效的混合倾斜车牌校正方法

车牌倾斜校正是车牌识别系统中的一关键技术,校正效果将直接影响到后续字符分割和识别的效果.为此,提出了一种快速有效的混合倾斜车牌校正方法.水平倾斜校正时,先进行Sobel垂直边缘检测算子提取字符的有效数据点,构造有效数据点矩阵,然后进行矩阵奇异值分解,利用特征向量矩阵导出车牌水平倾斜角度的表达式;垂直倾斜校正时,首先通过Sobel垂直和水平边缘检测有效去除边框及上下左右噪声干扰区域,然后通过形态学腐蚀提取有效反映字符水平错位的有效数据点,其次将这些有效数据点水平投影分成七个字符区域,求取每个区域错切变换后的最佳列坐标质心对应其区域垂直倾斜角,最后取区域垂直倾斜角的均值作为车牌的最佳垂直倾斜角.对大量复杂背景下的倾斜车牌进行实验,并做了精确度、运行时间、抗干扰性分析,实验结果表明:提出的混合倾斜校正方法精确度高、运行时间短、抗干扰性强.