A Perturbation Analysis of Low-Rank Matrix Recovery by Schatten p-Minimization

A number of previous papers have studied the problem of recovering low-rank matrices with noise, further combining the noisy and perturbed cases, we propose a nonconvex Schatten p-norm minimization method to deal with the recovery of fully perturbed low-rank matrices. By utilizing the p-null space property (p-NSP) and the p-restricted isometry property (p-RIP) of the matrix, sufficient conditions to ensure that the stable and accurate reconstruction for low-rank matrix in the case of full perturbation are derived, and two upper bound recovery error estimation ns are given. These estimations are characterized by two vital aspects, one involving the best r-approximation error and the other concerning the overall noise. Specifically, this paper obtains two new error upper bounds based on the fact that p-RIP and p-NSP are able to recover accurately and stably low-rank matrix, and to some extent improve the conditions corresponding to RIP.

Robust Principal Component Analysis Integrating Sparse and Low-Rank Priors

Principal Component Analysis (PCA) is a widely used technique for data analysis and dimensionality reduction, but its sensitivity to feature scale and outliers limits its applicability. Robust Principal Component Analysis (RPCA) addresses these limitations by decomposing data into a low-rank matrix capturing the underlying structure and a sparse matrix identifying outliers, enhancing robustness against noise and outliers. This paper introduces a novel RPCA variant, Robust PCA Integrating Sparse and Low-rank Priors (RPCA-SL). Each prior targets a specific aspect of the data’s underlying structure and their combination allows for a more nuanced and accurate separation of the main data components from outliers and noise. Then RPCA-SL is solved by employing a proximal gradient algorithm for improved anomaly detection and data decomposition. Experimental results on simulation and real data demonstrate significant advancements.

Extremal ranks of the solution to a system of real quaternion matrix equations

In this paper, the maximal and minimal ranks of the solution to a system of matrix equations over H, the real quaternion algebra, were derived. A previous known result could be regarded as a special case of the new result.

Additive Rank-1 Preservers Between Hermitian Matrix Spaces Over Quaternion Division Algebra

Let Q be the quaternion division algebra over real field F.Denote by H_n(Q)the set of all n×n hermitian matrices over Q.We characterize the additive maps from H_n(Q) into H_m(Q)that preserve rank-1 matrices when the rank of the image of I_n is equal to n. Let Q_R be the quaternion division algebra over the field of real number R.The additive maps from H_n(Q_R) into H_m(Q_R)that preserve rank-1 matrices are also given.

Proximity point algorithm for low-rank matrix recovery from sparse noise corrupted data

The method of recovering a low-rank matrix with an unknown fraction whose entries are arbitrarily corrupted is known as the robust principal component analysis （RPCA）. This RPCA problem, under some conditions, can be exactly solved via convex optimization by minimizing a combination of the nuclear norm and the 11 norm. In this paper, an algorithm based on the Douglas-Rachford splitting method is proposed for solving the RPCA problem. First, the convex optimization problem is solved by canceling the constraint of the variables, and ~hen the proximity operators of the objective function are computed alternately. The new algorithm can exactly recover the low-rank and sparse components simultaneously, and it is proved to be convergent. Numerical simulations demonstrate the practical utility of the proposed algorithm.

Constrained Low Rank Approximation of the Hermitian Nonnegative-Definite Matrix

In this paper, we consider a constrained low rank approximation problem: , where E is a given complex matrix, p is a positive integer, and is the set of the Hermitian nonnegative-definite least squares solution to the matrix equation . We discuss the range of p and derive the corresponding explicit solution expression of the constrained low rank approximation problem by matrix decompositions. And an algorithm for the problem is proposed and the numerical example is given to show its feasibility.

乘型模糊判断矩阵排序向量的递推方法

文章首先在模糊判断矩阵乘型一致性以及矩阵元素和权重之间关系的基础上,结合模糊判断矩阵的上三角矩阵元素,构建了一个关于权重和矩阵上三角元素的方程组,并证明了该方程组存在唯一的正解。随后指出方程组的证明过程就是模糊判断矩阵排序向量的求解过程,从而给出了乘型一致性模糊判断矩阵排序向量的一种递推方法。然后,在偏差函数基础上,通过构造并求解一个优化模型,求出了非乘型一致性模糊判断矩阵的排序向量,结果显示,其解的形式与采用乘型一致性模糊判断矩阵递推方法得到的排序向量完全一样。最后,通过实例以及相关方法对比说明排序向量递推方法是可行有效的。

关于矩阵多项式Jordan标准形刻画

本文利用矩阵运算、矩阵相似关系及矩阵的秩,深化了Jordan矩阵的性质,并在此基础上刻画了矩阵Jordan标准形中Jordan块的个数及阶数,最后讨论了矩阵多项式Jordan标准形,充实了高等代数中Jordan标准形的结果.

中文搜索引擎中的PageRank算法及实现

由于网页质量千差万别,对网页进行基于网络链接图的质量排序变成了现代搜索引擎的一个重要部件。分析了对网络排序模块的实现进行优化时,造成大规模稀疏矩阵-向量乘法运算低效的原因,并结合网络链接图的实际情况提出了几种不同的优化策略。然后,对几种优化策略做了实验性能比较,并综合考虑各种优化策略的运算效率和存储量需求,选择了适合实际系统的优化策略。同时,提出PageRank算法在实现时的一个变通处理——除汇。

基于稳健非负矩阵分解的用电数据清洗和插补

针对运行工况下用电数据在采集和传输过程中通常存在噪声、异常值和丢失的数据质量问题,利用单一用户用电数据时空分布的低本征维和异常值的稀疏特性,提出一种基于低秩矩阵完备的数据缺失填补、降噪和异常值剔除统一处理方法框架。首先,鉴于实际中多用户用电场景和用电特征差异巨大,仅根据单一用户用电行为的内在相似性构建具有低秩特征的数据矩阵;进而,考虑列异常和稀疏异常等加性背景噪声影响,构建低秩提升正则约束的非负矩阵完备最优化模型;最后,采用交替迭代最小二乘法方式进行最优化问题求解,实现缺失数据填补和多重背景噪声消除。通过仿真分析和实验结果验证了算法的有效性和准确性。

矩阵数据的分类预测方法

文章在矩阵正态分布下研究矩阵数据的参数估计及其分类方法。首先,基于低秩分解和矩阵正态分布的惩罚似然函数方法提出矩阵数据的参数估计和秩的自适应确定方法;其次,应用块坐标下降方法与增广拉格朗日乘子算法给出有效的迭代估计算法;然后,基于判别分析方法提出低秩分解下的分类预测规则;最后,通过大量数值模拟及卫星陆地资源数据和手写体数字的识别应用,验证了低秩估计方法对提高矩阵数据的估计和分类预测精度具有明显的效果。

基于Ranking的泊松矩阵分解兴趣点推荐算法

随着基于位置社交网络(location-based social network,LBSN)的发展,兴趣点推荐成为满足用户个性化需求、减轻信息过载问题的重要手段.然而,已有的兴趣点推荐算法存在如下的问题:1)多数已有的兴趣点推荐算法简化用户签到频率数据,仅使用二进制值来表示用户是否访问一个兴趣点;2)基于矩阵分解的兴趣点推荐算法把签到频率数据和传统推荐系统中的评分数据等同看待,使用高斯分布模型建模用户的签到行为;3)忽视用户签到数据的隐式反馈属性.为解决以上问题,提出一个基于Ranking的泊松矩阵分解兴趣点推荐算法.首先,根据LBSN中用户的签到行为特点,利用泊松分布模型替代高斯分布模型建模用户在兴趣点上签到行为;然后采用BPR(Bayesian personalized ranking)标准优化泊松矩阵分解的损失函数,拟合用户在兴趣点对上的偏序关系;最后,利用包含地域影响力的正则化因子约束泊松矩阵分解的过程.在真实数据集上的实验结果表明:基于Ranking的泊松矩阵分解兴趣点推荐算法的性能优于传统的兴趣点推荐算法.

线性代数中的线性方程组方法

本文从齐次线性方程组的同解理论、非零解的判定、解空间的维数公式、解空间与系数矩阵行空间的正交性等角度,阐述线性方程组方法在线性代数中的广泛应用.

一种基于联合加权和截断的毫米波大规模MIMO信道估计

提出一种联合加权和截断核范数的毫米波大规模多输入多输出(MIMO)信道估计算法。针对毫米波大规模MIMO信道估计问题中训练和反馈开销大的问题,首先利用毫米波信道天线角度域稀疏的特性,把信道估计问题转化为低秩矩阵恢复问题。采用一种有效而灵活的秩函数——联合加权截断核范数作为核范数的松弛,构造出一种新的矩阵恢复模型用于信道估计问题,以最小化加权截断核范数为优化目标,并利用交替优化框架求解。仿真结果表明,该方法可以有效地提高信道估计的精度,并且具有可靠的收敛性。

幂等矩阵的等价条件及其推广

归纳证明了幂等矩阵的一些等价条件,并对一个幂等矩阵只有充分条件成立的结论给出必要条件不成立的例子,进一步探讨得到幂等矩阵的两个充要条件.

基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法

为提高织物疵点检测算法对简单纹理织物、模式纹理织物及条纹纹理织物检测时的普适性和准确性,提出了一种基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法。首先,对织物图像进行直方图均衡化并将处理后的图像均匀划分为子图像块;其次,对每个子图像块提取28个纹理能量特征(利用7个Laws滤波模板在4个尺度上提取),计算所有子图像块提取到的特征均值并组成特征矩阵;然后,利用特征矩阵构建低秩分解模型,通过方向交替方法(ADM)优化求解,得到低秩部分和稀疏部分;最后,由稀疏部分生成疵点显著图,采用迭代阈值分割法对其进行分割,得到织物疵点检测结果。为验证该算法的有效性,在织物图像数据集选取了包含错纬、断经、跳花、破洞等常见疵点的织物图像,并将实验结果与已有3种算法进行了对比。实验结果表明,该算法在简单纹理织物、模式纹理织物及条纹纹理织物检测上具有更好的普适性和准确性,且检测效率具有一定优势。

低秩矩阵恢复下的自适应图像超分辨率重建

低分辨率自适应图像的像素密度过于稀疏,导致图像清晰度达不到超分辨标准。为此提出低秩矩阵恢复下的自适应图像超分辨率重建方法。构建低秩矩阵恢复模型,计算峰值信噪比参数,完成低秩矩阵恢复下的自适应图像降噪处理。在图像区域中提取自适应特征,根据超分辨率判别条件定义具体的重建函数表达式,完成低秩矩阵恢复下自适应图像超分辨率重建方法的设计。实验结果表明,该方法的应用可使图像有效去噪,信噪比高于31 dB,重建后图像分辨率均值达到100 PPI,实现了超分辨重建。

求解低秩密度矩阵约束最小二乘问题的优函数罚方法

应用优函数罚方法求解具有低秩密度矩阵约束的最小二乘问题.首先,用凸差方法处理非凸的低秩约束,并结合罚方法和优函数方法将原问题转化为一系列具有密度矩阵约束的凸优化问题;然后,给出求解该优化问题的优函数罚方法,并对该方法进行收敛性分析;最后,运用半光滑牛顿增广拉格朗日算法求解优函数罚方法的子问题.合成数据集和真实数据集上的数值结果表明,优函数罚方法可有效求解具有低秩密度矩阵约束的最小二乘问题.

William E.Roth s第二定理的一个新证明

仅利用矩阵的基本理论建立了四个引理,并且在此基础上对W.E.Roth第二定理给出了新的证明.