基于奇异值分解改进观测矩阵的FBG传感信号处理

针对地下管廊环境恶劣复杂、噪声干扰较大的问题,提出一种基于奇异值分解的改进观测矩阵方法,通过提高压缩感知处理光纤布拉格光栅传感信号精度,完成噪声预处理。对观测矩阵进行分解重构,提高信号重构保真度。首先对随机观测矩阵进行正交化处理,再对其进行奇异值分解,将特征矩阵特征值改为恒定值,带入新的特征值后将产生新的观测矩阵。对信号进行观测,并采用信噪比、重构误差等指标确定稀疏度 K。仿真结果表明,该方法重构精度提高约 72%。     

基于双树复数小波的快速二步迭代混合范数算法

以双树复数小波基为稀疏基,局部哈达玛矩阵为观测矩阵,在IST算法的基础上提出一种改进的快度二步迭代混合范数算法,目标函数采用混合范数模型,二步迭代加速了目标函数的优化,二步迭代混合范数算法收敛于混合目标函数的最小值。改进的算法重构速度高于IST算法的2.5倍,图像的均方误差减小50%以上。与以DCT为稀疏基、高斯矩阵为观测矩阵、快速二步迭代混合范数算法为重构算法的压缩感知重构系统相比,改进算法的峰值信噪比提高了约1dB,表明改进算法具有更好的图像重构质量和重构速度。     

稀疏度自适应回溯追踪算法改进

针对压缩感知重构算法中信号稀疏度未知和步长大小固定的问题,提出一种新的压缩感知信号重构算法,即基于弱选择的稀疏度自适应回溯追踪（SPWAMP）算法。该算法将自适应思想、变步长迭代思想与回溯思想相结合,在未知信号稀疏度的情况下,利用阈值方法选取预选集,通过变步长更新支撑集原子个数并结合回溯思想剔除不可靠原子,最终实现信号精确重构。仿真结果表明,当信号稀疏度K达到65时,该算法重构精度相对稀疏度自适应匹配追踪（SAMP）算法提高了40%,而此时正交匹配追踪（OMP）算法、子空间追踪（SP）算法和分段弱选择正交匹配追踪（SWOMP）算法已无法实现重构。因此,该算法相对其它同类算法提高了信号重构精度。     

一种基于乘幂法的信号子空间快速求解算法

基于子空间分解的阵列信号处理技术可以突破瑞利限的约束,具有极高的角度分辨能力,但由于要作特征分解,需付出巨大的运算量代价.乘幂法是近代数值分析中快速得到矩阵特征值与特征向量的迭代算法,本文将两者有机结合,得到了一种快速求解信号子空间的迭代算法.仿真结果验证了该算法的有效性.     

协同过滤算法改进及研究

针对协同过滤中存在的稀疏性问题,提出改进方法——BAS算法。该算法结合贝叶斯度量方法和奇异值降维分解方法,利用传统的基于奇异值分解获得活跃用户的邻居,通过改进后的相似性度量方法得出预测值。对改进后的算法进行理论分析和实验对比。结果表明,该方法在所用数据集上能够有效缓解数据稀疏性问题,并且改善推荐精度的准确性,在一定程度上提高了推荐引擎的推荐质量。     

一种改进的稀疏度估计变步长匹配追踪算法（英文）

为了提高稀疏信号贪婪算法的重构性能,提出了一种改进的贪婪重构算法,即稀疏度估计变步长匹配追踪算法.与现有的贪婪算法相比,该算法用约束等距常数和变步长分别来进行稀疏度估计和减少重构所需的时间.通过稀疏度估计,在重构的开始阶段得到估计的稀疏度和支撑集作为初始值,为信号重构提供了初始的稀疏信息.然后,根据初始值计算相关值以及残差,通过回溯思想和可变步长更新上一次迭代得到的支撑集.最后,当满足算法终止条件时,得到正确的信号支撑集,从而准确地重构出原始信号.仿真结果证明,针对稀疏信号重构,所提出的算法提高了重构性能,所需要的运算时间较之前的算法大幅减少.     

基于非凸低秩优化的压缩感知植株图像重构

目标植株图像压缩重构对于图像的高效传输及存储意义重大,同时为后期植株生长状态检测及病虫害识别奠定了基础。传统图像压缩感知方法大多是针对信号在某个特征空间的稀疏性进行的,并没有考虑信号的局部特征与结构化特性,存在重构效率不高、重构精度较低等问题。针对以上情况,提出一种基于非凸低秩优化的压缩感知植株图像重构算法。首先通过KinectV2.0采集植株图像深度数据并进行预处理,结合K-means与Mean-shift聚类算法提取目标植株有效区域,再考虑图像的非局部自相似性,采用加权[lp]范数最小化算法（WSNM）求解低秩优化问题,较好地保留了图像结构细节,最后采用Dog-leg最小二乘算法取代最快下降法进行迭代优化。试验结果证明,该算法在不同采样率下的植株图像重构质量优于其它同类算法,尤其在低采样率下重构效果更为突出。     

基于LMD_SVD的矿山微震与爆破信号特征提取分析

针对矿山微震与爆破信号难以识别的问题,提出一种基于局部均值分解（LMD）和奇异值分解（SVD）的微震信号特征提取方法。首先对矿山微震信号和爆破信号进行LMD分解,将多分量的调频信号分解成一系列频率由高到低的乘积函数（PF）分量;其次,借助相关系数和方差贡献率筛选出包含信号主要信息的PF分量;最后利用SVD计算所选的PF分量构成矩阵奇异值,以此作为区分矿山微震与爆破信号的特征向量。实验结果表明,LMD和SVD相结合的特征提取方法能准确、有效地提取矿山微震和爆破信号特征,为信号识别研究提供了一种新方法。     

粒子群优化的加权核范数低秩矩阵补全算法

针对加权核范数最小化矩阵补全方法存在阈值决策函数单一、收敛精度不高等问题,提出一种粒子群优化的加权核范数最小化低秩矩阵补全算法。改进算法利用粒子群的启发式智能搜索能力,为待恢复矩阵的奇异值自适应地匹配恰当的阈值,以提升算法的收敛性能。改进工作主要包括：（1）设计多种奇异值阈值决策函数,为矩阵提供多种阈值分配策略;（2）改进粒子群的速度迭代公式,提出基于余弦函数的速度惯性调节公式以增强粒子群的全局搜索性能;（3）利用改进的粒子群优化算法为阈值决策函数搜索最优的参数组合,然后再通过阈值决策函数生成奇异值的阈值,重构恢复结果并提升算法的收敛精度。在人工数据和图像数据上的实验结果表明,与加权核范数最小化方法、奇异值阈值化方法以及低秩矩阵拟合方法相比,改进方法具有收敛精度更高、恢复结果更清晰等优势。     

基于互相关运算的信号稀疏分解算法研究

分析了MP算法实现过程,并针对MP算法计算量大等问题,提出了一种信号稀疏分解的快速算法,它利用一种基于互相关运算的信号稀疏分解算法。该算法用互相关运算来代替MP算法中耗时最多的内积运算,并通过提高互相关运算的速度,提高信号稀疏分解的速度。通过实验表明,在保证稀疏分解精度的情况下,可以将信号稀疏分解速度提高到MP算法的10倍以上。     

自适应非负矩阵分解的人脸识别方法研究

在单样本或者小样本的人脸识别系统中,常常会面临样本数量不足的问题,为解决少样本情况下的分类精度,以及利用原始特征或者目标特点重构的虚拟样本过于单一等问题,提出一种自适应非负矩阵分解（NMF）的人脸识别方法。该方法首先在矩阵分解过程中构造不同矩阵维度和迭代次数参数下的重构样本;然后利用QR分解稀疏表示方法进行人脸分类;最后,通过选取最优参数组合,调整重构样本,直至达到最佳分类效果。在ORL、Yale和AR 3个数据库上的实验结果表明,该算法在最佳参数下,尤其是单样本情况下对比基于原样本方法的准确率平均提高了约5%,最高提高了约10%～15%。     

基于压缩感知的电能质量信号重构算法研究

为解决传统电能质量信号在采样时面临的采样率高,采样资源浪费和硬件成本高的问题,压缩感知理论被引入到电能质量信号的采样与重构过程。信号的稀疏表示是压缩感知理论中的关键问题,一般选择正交基作为压缩感知中的稀疏变换基。基于多重扰动的电能质量信号,本文提出了基于不同干扰的电能质量模型来选择不同的信号稀疏变换基的压缩感知重构算法。实验证明与整个信号采用单一DCT变换基或FFT变换基的压缩感知重构算法相比,本文提出的方法具有更好的信号重构性能。     

基于变换域的压缩感知快速重构算法

压缩感知是信号处理领域热门研究课题,其应用前提为原信号是稀疏或可压缩的。时域非稀疏信号可以变换为频域稀疏信号,但变换后的信号和传感矩阵表示形式为复数,增加了重构复杂度。为了降低复杂度,提高信号重构效率,提出一种基于实变换的重构算法,该算法将复数形式的稀疏信号和传感矩阵的实部和虚部分离后再参与重构。与传统重构算法相比,该算法改善了重构信号的均方误差,明显缩短了重构时间,极大提高了信号重构效率。     

结合多信息的概率矩阵分解模型

为了改善传统协同过滤推荐算法的冷启动与数据稀疏问题,基于概率矩阵分解模型,将用户属性、物品关系与时序行为融合到模型中,通过不断调整3种模型所占权重,得到最小的RMSE值。在Movielens数据集上进行实验,并与其它相关算法的RMSE值进行比较。实验结果表明,结合多信息的概率矩阵分解模型的RMSE值低于其它推荐方法,即推荐精度优于其它方法。结合多信息的概率矩阵分解模型,在数据稀疏情况下,也能保持较好的推荐性能,推荐精度得到一定程度提升。     

基于稀疏表示与加权核范数最小化的图像去噪算法

为解决一部分纹理数据在运用加权核范数最小化处理低秩矩阵逼近时出现丢失的问题,提出一种基于稀疏表示与加权核范数最小化的图像去噪算法。稀疏表示用于辅助重构清晰图像,加权核范数最小化用于图像块样本的低秩矩阵逼近。通过分析纹理数据找出熵较大的非平滑块,运用一种奇异值维纳滤波,从其差异矩阵中找出丢失的部分纹理信息,并将其与低秩去噪结果融合。实验结果表明,该算法能够保持图像的细小纹理,去噪效果更好,具有良好的鲁棒性与泛化性。     

局部分层非负张量分解算法及在机械故障诊断中的应用

针对传统非负张量分解收敛速度慢,分解精度低的难题,结合three semi-NMF模型,将局部目标函数理论应用于非负张量分解中,提出了基于局部分层的非负张量分解算法,并通过人脸特征提取实验验证了算法的有效性.通过对由空压机不同故障振动信号的双谱构成的张量按该算法分解,得到反映故障特征的基图像及与基图像对应的权值矩阵,建...     

基于NMF初始化的非负双奇异值分解算法分析

随着大数据技术的发展,非负矩阵分解(NMF)日益成为目前最流行的模式识别方法之一,并广泛应用于文档聚类、图像处理、人脸识别、信号分析等多个领域。针对NMF中双因子矩阵的初始化问题,对非负双奇异值分解算法进行分析,数值实验表明该算法可以快速降低众多基于NMF衍生算法的近似误差。     

四元数矩阵奇异值分解的算法

本文主要讨论了四元数矩阵的奇异值分解,借助于四元数矩阵的复表示矩阵,对其进行双对角化,对得到的双对角矩阵进行奇异值分解,并构造左右奇异值向量,给出了四元数矩阵奇异值分解的一个算法。     

采用单次快拍数据实现MIMO雷达目标角度估计

通过深入研究多输入多输出(MIMO)雷达的角度估计算法,针对MIMO雷达角度估计中的实时性和相干目标源问题,基于双基地MIMO雷达的信号模型,提出了一种采用单次快拍数据的估计算法.算法采用MIMO雷达接收的单次快拍数据,构造出块Hankel矩阵,并证明该矩阵的秩等于总目标个数,且不受信号相关性的影响,通过奇异值分解获得对应的信号子空间,结合ESPRIT算法实现了对相干和非相干目标的收发角度估计.该算法减少了数据量和计算量,具有更好的实时处理性;通过矩阵的重构,能够准确地估计相干信源对应的信号或噪声子空间.由于采用了同一信号子空间,实现了参数的自动配对,更利于在实际中应用.计算机仿真结果证实了算法的有效性和可行性.     

基于迭代型形态成分分析的多聚焦图像融合

为了提高多幅多聚焦图像的融合质量,提出一种基于迭代型形态成分分析的特征加权融合算法。该方法利用形态成分分析正交性和稀疏性的特点,改进形成能够有效对源图像进行多尺度分解的迭代型形态成分分析方法;然后采用移动窗口计算方法对分解后的多尺度子图提取四维特征向量,用以反映子图的亮度、纹理规则性、光滑程度和随机性。此外,提出以四维特征向量的特征值作为权值,设计适用于两幅及以上多幅源图情况下的以特征权重作为判别依据的融合规则,并运用这一规则对复合子图进行逐层融合,最终通过多尺度逆变换得到融合图像。实验结果证明,与已有多尺度融合算法相比,新方法融合得到的图像具有更好的主观感受和更高的客观评价指标值。