基于低秩张量分解的大规模MIMO信息检测算法研究

提出了一种改进的Tucker分解法,将二维的张量分解到两个维度中.分别通过改进Tucker和Tucker算法的矩阵减秩和收敛运算,得到保存完整信息的原张量的近似估计值.仿真实验结果表明,改进Tucker算法提高了系统的检测性能.

基于CUDA与CUBLAS的Tucker分解模块设计与实现

由于张量Tucker分解在图像处理、人脸识别与信号处理等领域中的大量应用,使得Tucker分解算法成为目前重点研究对象。但是当前流行的Tucker分解算法需要对张量进行多次展开,导致算法加速效率降低。针对上述问题,提出一种应用于统一计算设备架构(CUDA)平台上的改进Tucker分解模块,通过对Tucker分解算法与CUDA平台进行优化,在省略张量展开过程的同时,提高加速效率,从而降低对加速系统的要求。实验结果表明,改进Tucker分解算法在CUDA平台上的加速性能具有明显提高。

基于张量紧凑表示的视频压缩算法

如何高效地进行视频数据压缩是一直备受关注的研究问题。张量是高维数据的自然表示,张量紧凑表可以大幅降低原始数据维数,且能非常近似地恢复原数据。文中根据张量紧凑表示概念提出张量迭代Tucker-ALS算法,并将该算法应用至视频压缩中,取得较好的压缩效果。通过测试序列仿真并运用BD-rate比较方法进行压缩性能评估,相比于目前成熟的H.264算法,文中所提出的迭代Tucker-ALS算法在低码率时性能有所改善,对于纹理类视频性能改善显著。