SVD分解

摘要： 针对现阶段核反应堆容器检测平台无法实现全自动定位、定位精度低等问题,文中提出一种基于机器视觉的精确定位方法。首先结合定位特征、测量环境及定位需求设计精确定位分系统,并对定位分系统的布局进行优化调整;其次利用空间圆拟合与SVD实现探头轴线的标定和检测平台全局坐标系的统一;然后通过图像筛选与特征拟合,采用平面切割法实现贯穿件轴线的测量,在此基础上计算出探头轴线的对中偏差值,并转化到运载小车坐标系下,驱动小车进行精确定位;最后在模拟检测现场对该方法的定位性能进行实验验证。结果表明,精确定位分系统的定位误差可控制在2.6 mm以内,说明文中的设计方法可提高检测平台的定位效率,满足检测现场的定位要求。

摘要： 本文分析探讨基于TF-IDF、LSI的文本相似度算法在专利文献相似度计算中的实现,并对现有的TF-IDF、LSI的文本相似度算法的基础文本进行调整,减少了噪声信息的影响。相似度算法可以计算不同文本之间的相似程度。词频-逆文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)模型、潜在语义索引(Latent Semantic Indexing,LSI)模型是常见的文本相似度计算模型。本文分析探讨基于TF-IDF、LSI的文本相似度算法在专利文献相似度计算中的实现,并对现有的TF-IDF、LSI的文本相似度算法的咨询矢量进行调整,减少了噪声信息的影响。

摘要： 在冗杂的高维数据中,往往容易出现数据之间存在严重共线性的现象,导致模型参数存在不可估性,故消除多重共线性对探讨实际问题有着重要意义。本文是以居民消费水平为研究对象,通过运用方差膨胀因子对数据的多重共线性进行判断,再基于SVD分解对观测数据矩阵进行主成分回归以消除自变量之间的多重共线性,并建立原始数据之间的线性关系。国家通过居民消费水平来得到地方的发展状况,以制定更加符合发展的政策。因此,该研究具有一定的现实意义。利用SVD分解的方法进行主成分分析,简化了求解特征值及贡献率的计算问题,且通过主成分回归的方法进行共线性消除,避免了直接删除变量所导致重要变量被舍去的可能。结果表明,该模型相对误差小,故该方法所得的模型具有可靠性。In the high-dimensional data, it is easy to have collinearity among data, which leads to the immeasurable of model parameters. Therefore, eliminating multicollinearity is important to discuss practical problems. This paper takes the consumption level as the research object, uses VIF to judge the multicollinearity of the data, then carries out principal component regression(PCR) on the observation matrix based on SVD to eliminate the multicollinearity among independent variables and builds the linear relation among the original data. The state gets local development status by the consumption level of residents so as to formulate policy more in line with development. Thus the study has realistic meaning. PCA based on SVD simplifies the calculation of eigenvalue and contribution rate, and it can avoid the possibility that important variables are deleted to use PCR to eliminate the collinearity. The result shows the relative error of the model is small, so the model obtained by this method is reliable.

摘要： 随着信息时代的到来,遥感影像数据的版权保护问题逐渐引起人们的重视。笔者基于快速响应(Quick Response,QR)编码和结构张量分解理论,提出一种基于Tucker分解和奇异值分解(Singular Value Decomposition,SVD)的零水印算法,用于解决彩色遥感影像数据的版权问题。具体操作方法如下:首先,将版权信息转变为QR码;其次,利用Tucker分解可以得到原图像的3个特征子带,对第一特征子带进行SVD分解可以得到遥感图像特征。将由QR码生成的二值序列与从图像中提取出来的二值特征序列进行异或,即得到所需零水印注册信息,将该注册信息到版权保护机构进行注册,可保护该遥感图片的版权。该方法对常规图像攻击和几何攻击都表现出较好的稳定性。

摘要： 以某型飞行器组合动力装置实际飞行试验的振动数据为基础,通过构造Hankel矩阵,利用奇异值分解数据处理方法对振动数据进行去噪处理,再结合产品实际结构原理,精确地分析组合动力装置模式转换前、中、后3个不同状态振动量级的差异,同时对比飞行高度的变化对齿轮箱振动响应的影响,找出组合动力装置齿轮箱传动轴易受振动冲击的薄弱点,为后续多动力源输入高速齿轮箱的结构优化、避免其组合动力装置的共振现象、实现平稳模式转换提供技术支持。

摘要： 针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题.提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法.首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断.通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性.

摘要： 针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。

摘要： 以某型飞行器组合动力装置实际飞行试验的振动数据为基础,通过构造Hankel矩阵,利用奇异值分解数据处理方法对振动数据进行去噪处理,再结合产品实际结构原理,精确地分析组合动力装置模式转换前、中、后3个不同状态振动量级的差异,同时对比飞行高度的变化对齿轮箱振动响应的影响,找出组合动力装置齿轮箱传动轴易受振动冲击的薄弱点,为后续多动力源输入高速齿轮箱的结构优化、避免其组合动力装置的共振现象、实现平稳模式转换提供技术支持.

摘要： 以SVD分解为理论依据,运用矩阵的SVD分解在数据传输、数据分析、数据检索等方面的数学功能,研究PAC分析在大学生体育成绩方面的应用.从相关矩阵出发,不仅可以求出标准化之后随机向量间的典型相关方向、典型相关系数、典型相关变量等信息,而且可以据此推出标准化之前随机变量的典型相关方向、典型相关系数、典型相关变量,从而研究学生体育成绩与家庭收入、锻炼时间等方面的相关程度.所研究案例对实际教学的效果与归因有一定的启示作用.

摘要： 为了提高小样本学习的准确率和抗干扰能力,提出了一种基于二阶统计量的小样本学习模型,以CNN最后一层卷积输出的一阶特征向量为输入,通过计算协方差矩阵和二阶池化获得具有较高区分度的二阶统计量,采用奇异值(SVD)分解将二阶特征映射到低维仿射子空间并据此分类.本算法在Omniglot和minilmageNet数据集上进行了测试,实验结果表明,在minilmageNet上的5-way 5-shot模型准确率达到了73.6％,比Prototypical Networks高出5.4％,在Omniglot上的20-way 1-shot模型准确率则获得了2.4％的提升,本算法性能优于Prototypical Networks等算法.在异常值测试中,本算法也展现出比Matching Networks和Prototypical Networks算法更强的鲁棒性.

摘要： 本文针对0/1矩阵的双聚类问题提出一种奇异向量空间双聚类算法。通过SVD分解将0/1矩阵映射到左右奇异向量空间上,然后利用信息熵判断行聚类优先还是列聚类优先,最后根据判断结果递归进行行聚类或列聚类,直到满足停止条件。实验显示奇异向量空间双聚类算法可以分辨出完全无重叠的子矩阵,比较快速地得到硬的双簇。

摘要： 本文针对0/1矩阵的双聚类问题提出一种奇异向量空间双聚类算法。通过SVD分解将0/1矩阵映射到左右奇异向量空间上,然后利用信息熵判断行聚类优先还是列聚类优先,最后根据判断结果递归进行行聚类或列聚类,直到满足停止条件。实验显示奇异向量空间双聚类算法可以分辨出完全无重叠的子矩阵,比较快速地得到硬的双簇。

摘要： 本文针对0/1矩阵的双聚类问题提出一种奇异向量空间双聚类算法。通过SVD分解将0/1矩阵映射到左右奇异向量空间上,然后利用信息熵判断行聚类优先还是列聚类优先,最后根据判断结果递归进行行聚类或列聚类,直到满足停止条件。实验显示奇异向量空间双聚类算法可以分辨出完全无重叠的子矩阵,比较快速地得到硬的双簇。

摘要： 本文针对0/1矩阵的双聚类问题提出一种奇异向量空间双聚类算法。通过SVD分解将0/1矩阵映射到左右奇异向量空间上,然后利用信息熵判断行聚类优先还是列聚类优先,最后根据判断结果递归进行行聚类或列聚类,直到满足停止条件。实验显示奇异向量空间双聚类算法可以分辨出完全无重叠的子矩阵,比较快速地得到硬的双簇。

摘要： 本文针对0/1矩阵的双聚类问题提出一种奇异向量空间双聚类算法。通过SVD分解将0/1矩阵映射到左右奇异向量空间上,然后利用信息熵判断行聚类优先还是列聚类优先,最后根据判断结果递归进行行聚类或列聚类,直到满足停止条件。实验显示奇异向量空间双聚类算法可以分辨出完全无重叠的子矩阵,比较快速地得到硬的双簇。

摘要： 变分方法被用于根据分析场来估计数值天气预报的非系统性误差,从而对预报作出订正.这一方法中假设预报误差与预报场的某种组合线性相关,奇异值分解(SVD)技术被用于由一系列预报和分析场样本产生的相关矩阵得到预报场和误差场之间的映射关系,同时也降低了问题的维数,并使目标函数中的背景误差协方差矩阵成为简单的对角矩阵.利用两种有不同误差的浅水方程模式和模式资料对连续20次的6-h,24-h和48-h预报进行了误差订正试验.试验采用了三种预报场组合方案,第一种方案是末时刻的预报场;第二种方案是初始场和末时刻预报场的组合;第三种方案是末时刻的预报场以及预报的倾向场的组合.结果表明当预报误差明显超过分析误差时,订正能够明显改进预报,其中第三种方案对预报误差的订正效果最好,而其它两种方案不能保证订正都能改进预报.

摘要： 变分方法被用于根据分析场来估计数值天气预报的非系统性误差,从而对预报作出订正.这一方法中假设预报误差与预报场的某种组合线性相关,奇异值分解(SVD)技术被用于由一系列预报和分析场样本产生的相关矩阵得到预报场和误差场之间的映射关系,同时也降低了问题的维数,并使目标函数中的背景误差协方差矩阵成为简单的对角矩阵.利用两种有不同误差的浅水方程模式和模式资料对连续20次的6-h,24-h和48-h预报进行了误差订正试验.试验采用了三种预报场组合方案,第一种方案是末时刻的预报场;第二种方案是初始场和末时刻预报场的组合;第三种方案是末时刻的预报场以及预报的倾向场的组合.结果表明当预报误差明显超过分析误差时,订正能够明显改进预报,其中第三种方案对预报误差的订正效果最好,而其它两种方案不能保证订正都能改进预报.

摘要： 变分方法被用于根据分析场来估计数值天气预报的非系统性误差,从而对预报作出订正.这一方法中假设预报误差与预报场的某种组合线性相关,奇异值分解(SVD)技术被用于由一系列预报和分析场样本产生的相关矩阵得到预报场和误差场之间的映射关系,同时也降低了问题的维数,并使目标函数中的背景误差协方差矩阵成为简单的对角矩阵.利用两种有不同误差的浅水方程模式和模式资料对连续20次的6-h,24-h和48-h预报进行了误差订正试验.试验采用了三种预报场组合方案,第一种方案是末时刻的预报场;第二种方案是初始场和末时刻预报场的组合;第三种方案是末时刻的预报场以及预报的倾向场的组合.结果表明当预报误差明显超过分析误差时,订正能够明显改进预报,其中第三种方案对预报误差的订正效果最好,而其它两种方案不能保证订正都能改进预报.

摘要： 变分方法被用于根据分析场来估计数值天气预报的非系统性误差,从而对预报作出订正.这一方法中假设预报误差与预报场的某种组合线性相关,奇异值分解(SVD)技术被用于由一系列预报和分析场样本产生的相关矩阵得到预报场和误差场之间的映射关系,同时也降低了问题的维数,并使目标函数中的背景误差协方差矩阵成为简单的对角矩阵.利用两种有不同误差的浅水方程模式和模式资料对连续20次的6-h,24-h和48-h预报进行了误差订正试验.试验采用了三种预报场组合方案,第一种方案是末时刻的预报场;第二种方案是初始场和末时刻预报场的组合;第三种方案是末时刻的预报场以及预报的倾向场的组合.结果表明当预报误差明显超过分析误差时,订正能够明显改进预报,其中第三种方案对预报误差的订正效果最好,而其它两种方案不能保证订正都能改进预报.

摘要： 变分方法被用于根据分析场来估计数值天气预报的非系统性误差,从而对预报作出订正.这一方法中假设预报误差与预报场的某种组合线性相关,奇异值分解(SVD)技术被用于由一系列预报和分析场样本产生的相关矩阵得到预报场和误差场之间的映射关系,同时也降低了问题的维数,并使目标函数中的背景误差协方差矩阵成为简单的对角矩阵.利用两种有不同误差的浅水方程模式和模式资料对连续20次的6-h,24-h和48-h预报进行了误差订正试验.试验采用了三种预报场组合方案,第一种方案是末时刻的预报场;第二种方案是初始场和末时刻预报场的组合;第三种方案是末时刻的预报场以及预报的倾向场的组合.结果表明当预报误差明显超过分析误差时,订正能够明显改进预报,其中第三种方案对预报误差的订正效果最好,而其它两种方案不能保证订正都能改进预报.

摘要： 本发明公开了一种基于chelesky分解和近似奇异值分解的稀疏K-SVD噪声抑制方法，主要解决K-SVD中存在的效率低和“超出内存”问题。其实现过程是：输入含噪图像，对此图像进行重叠块提取，得到重叠块集合；对重叠块集合进行随机抽样，得到训练样本；对训练样本进行基于chelesky分解和近似奇异值分解的稀疏K-SVD字典训练，得到最终的稀疏字典；根据最终的稀疏字典得到最终的训练字典；在最终的训练字典下对重叠块集合进行基于chelesky分解的OMP稀疏编码，得到稀疏编码系数；根据冗余稀疏表示图像噪声抑制理论，利用最终的训练字典和稀疏编码系数，得到去噪后图像。本发明能够有效的提高执行效率和解决“超出内存”问题，可用于数字图像处理等领域。

摘要： 本发明公开了一种基于卷积与K‑SVD字典联合稀疏编码的图像分解方法，首先对获取的彩色图像进行预处理，得到待分解图像；然后将待分解图像分解为两个未知分量的线性叠加；依据两个未知分量的先验特征，构建先验约束；最后通过交替优化对两个未知分量进行求解；依据收敛条件，判断是否达到可行性解。本发明可用于图像去噪，依据不同噪声类型学习得到一组卷积算子，通过更新卷积核和响应系数逼近噪声，该方法能动态应用于多种噪声类型，克服了依据噪声类型构建不同正则化约束项的缺点。

摘要： 本发明的实施例公开一种利用SVD分解的变压器运行状态振声检测信号方法和系统，所述方法包括：步骤1，输入实测的振声信号序列S；步骤2，对所述振声信号序列S进行滤除噪声处理，生成滤除噪声后的信号序列SNEW；具体为：其中，di为延迟矩阵D的第i个转换矢量(i＝1,2,…,N)；N为所述振声信号序列S的长度。

摘要： 本发明公开了一种信道矩阵的SVD分解方法及装置，所述方法包括：获取信道矩阵H；对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；分别对低维矩阵C和RT进行QR分解，获得两个下三角矩阵Rc、RR以及两个正交矩阵Qc、QR；将两个下三角矩阵Rc、RR与低维矩阵U结合并进行SVD分解，获得对角矩阵Σs和两个正交矩阵Us、VsT，对角矩阵Σs和四个正交矩阵Qc、Us、VsT、QRT作为所述信道矩阵H的分解结果，从而提升了信道矩阵分解的实时处理性能，降低了计算载荷、处理时延与功耗。

摘要： 本发明涉及一种基于二分递推SVD分解的居民电器开关事件检测方法，包括以下步骤：(1)数据采集；(2)对居民电器的总有功功率数据进行二分递推SVD分解，通过计算奇异熵以确定最佳分解层数；(3)利用硬阈值滤波函数滤波获得居民电器的开关时刻；本发明基于二分递推SVD分解的居民电器开关事件进行检测，优点在于采用方法简单易操作且计算速度快，降低了漏检、误检率，提高了检测精度，检测结果稳定。

摘要： 本发明提出了一种基于图像DCT域的SVD分解的模糊检测方法。首先计算待测图像的梯度图，图像的边缘信息可以从梯度图中得到，然后把梯度图进行分块，并进行DCT变换，因为DCT域的交流系数反映了图像的边缘和清晰度，接着差分矩阵来分析DCT域的交流系数信息，通过计算差分矩阵的奇异值，并构造响应函数来表示块的图像的模糊程度，最终用均值和方差去归一化图像块响应之和，来消除图像内容的影响。实验表明该方法得到的模糊分数与人眼对图像的主观评价分数高度一致。本发明的检测模型考虑到图像变模糊过程中的边缘变宽，清晰度变弱等特点，并有效的消除图像内容的影响，因此检测准确率很高，而且检测效率快，整体性能优于前人的方法。

摘要： 本发明公开一种基于SVD分解的储罐底板超声导波检测信号降噪算法，该算法首先将储罐底板原始采集信号经过补零处理，然后按一定长度从信号中截取时窗信号，从而构建分析矩阵，再进行SVD分解获得按降序排列的奇异值序列，然后计算奇异值序列的衰减速率来衡量该时窗位置是否存在特征波包，逐渐滑动时窗，在每个时窗位置都进行以上运算即可获得处理后的信号。本发明的算法能够在强噪声背景下，从检测信号中提取出特征波包，从而实现检测信号降噪，最终改善储罐底板检测的成像效果。

摘要： 本发明公开了一种基于chelesky分解和近似奇异值分解的稀疏K-SVD噪声抑制方法，主要解决K-SVD中存在的效率低和“超出内存”问题。其实现过程是：输入含噪图像，对此图像进行重叠块提取，得到重叠块集合；对重叠块集合进行随机抽样，得到训练样本；对训练样本进行基于chelesky分解和近似奇异值分解的稀疏K-SVD字典训练，得到最终的稀疏字典；根据最终的稀疏字典得到最终的训练字典；在最终的训练字典下对重叠块集合进行基于chelesky分解的OMP稀疏编码，得到稀疏编码系数；根据冗余稀疏表示图像噪声抑制理论，利用最终的训练字典和稀疏编码系数，得到去噪后图像。本发明能够有效的提高执行效率和解决“超出内存”问题，可用于数字图像处理等领域。

摘要： 本发明公开了一种基于卷积与K‑SVD字典联合稀疏编码的图像分解方法，首先对获取的彩色图像进行预处理，得到待分解图像；然后将待分解图像分解为两个未知分量的线性叠加；依据两个未知分量的先验特征，构建先验约束；最后通过交替优化对两个未知分量进行求解；依据收敛条件，判断是否达到可行性解。本发明可用于图像去噪，依据不同噪声类型学习得到一组卷积算子，通过更新卷积核和响应系数逼近噪声，该方法能动态应用于多种噪声类型，克服了依据噪声类型构建不同正则化约束项的缺点。

摘要： 本发明涉及一种基于二分递推SVD分解的居民电器开关事件检测方法，包括以下步骤：(1)数据采集；(2)对居民电器的总有功功率数据进行二分递推SVD分解，通过计算奇异熵以确定最佳分解层数；(3)利用硬阈值滤波函数滤波获得居民电器的开关时刻；本发明基于二分递推SVD分解的居民电器开关事件进行检测，优点在于采用方法简单易操作且计算速度快，降低了漏检、误检率，提高了检测精度，检测结果稳定。