奇异值分解

摘要： 奇异值分解是求解约束矩阵方程的有效手段.首先根据奇异值分解得到矩阵方程解的分块表达式,再利用分块矩阵的保范扩张定理,得到相容矩阵方程AX=B在谱范数约束下的一般解、Hermitian解和半正定解.

摘要： 针对基于随机投影的差分隐私算法中存在直接对降维数据直接添加噪声导致基于欧氏距离数据挖掘中数据可用性较差的问题,提出了一种基于奇异值分解的差分隐私算法。该算法首先对高维社交网络的数据利用随机投影进行降维,然后对降维后的数据进行奇异值分解并对奇异值加入高斯噪声,最后通过奇异值分解逆运算生成待发布矩阵。该算法利用的奇异值矩阵是一个仅有主对角线上有值的矩阵,值的个数为矩阵的秩,与直接对降维后的数据直接添加高斯噪声相比,对奇异值矩阵中的值添加高斯噪声能有效地降低噪声的加入量。理论证明该算法满足差分隐私,并设计了欧氏距离差实验和谱聚类实验用于分析算法的数据可用性,实验结果表明该算法的数据可用性高于基于奇异值分解的差分隐私算法。

摘要： 目的数字印刷和手机拍摄是检验含有数字水印的印刷产品版权有效性的主要途径,解决在数字印刷和手机拍摄场景下水印信息难以提取这一问题。方法提出一种基于离散小波变换和奇异值分解的抗数字印刷/手机拍摄的数字水印算法。首先对宿主图像进行二级离散小波变换,对低频子带进行奇异值分解,将Arnold置乱后的水印嵌入到奇异值分解的对角矩阵中,最后进行小波逆变换得到嵌入水印图像。结果含水印信息的峰值信噪比(PSNR)达到了39.67,在不同攻击下的归一化相关系数(NC)均在0.89以上,实际的印刷拍摄测试中NC值也均达到0.94,证明该水印算法在保证不可见性的同时对于印刷产品实际应用中的常见攻击具有很好的抵抗能力。结论对不同品牌的智能手机、印刷设备以及不同种类的纸张采集到的含水印图像进行测试,均能够在印刷和拍摄场景下实现水印提取,证明了该算法的有效性。

摘要： 为实现开关磁阻电机功率变换器故障诊断,本文提出了一种改进变分模态分解结合奇异值分析的方法,基于经验模态分解自适应特性和中心频率确定变分模态分解的分解数,并对故障相电流进行处理,根据互信息分析选择最佳模态分量构造初始特征矩阵,进行奇异值分解后计算归一化奇异值作为特征向量,输入支持向量机分类器进行故障识别。为验证诊断方法的可行性,建立了仿真模型与其他诊断方法进行了对比;搭建了开关磁阻电机实验台,测试了开路、短路故障状态,仿真和实验结果均表明本文所提方法可减小噪声影响,提高故障识别准确率。

摘要： 网络表示学习是为了将网络中的顶点用低维的向量进行表示,将网络的整体结构保持的完整.这些表示过后的向量可以被看做原始网络的特征,进行下游任务,在多标签节点分类,多路链路预测实验时,结果表明我们的方法在不同数据集中有着优秀的表现.

摘要： 文章提出一种基于离散小波变换(DWT)、Hessenberg分解(HD)和奇异值分解(SVD)的图像水印方法。在嵌入过程中,对原始载体图像进行多级DWT分解,并将得出的子带系数作为HD的输入。在创建水印的同时对SVD进行操作,通过缩放因子将水印嵌入到主图像中。运用果蝇优化算法,通过给出的客观评价函数来寻找比例因子。在各种欺骗攻击下,将所提出的方法与其他方法进行比较,实验结果表明,该方法对水印具有良好的鲁棒性和不可见性。

摘要： 现有的水印和加密方案大多难以确保水印和加密过程的交换性以及受保护图像的视觉质量,这些方案的水印嵌入和加密过程固定且对受保护图像的内容进行了或多或少的修改,很少有方案在不影响受保护图像内容质量的前提下完成水印和加密过程的交换。因此,提出了一种基于奇异值分解的同态可交换脆弱零水印方案。在发送端,内容所有者采取同态加密对原始图像内容进行加密,加密和水印生成两个阶段互不影响,可以分别从加密图像和原始宿主图像生成零水印信息。在接收端,合法接收者先进行图像解密,再在解密的图像内容上进行水印检测,通过提取的水印信息可以检测和定位水印图像的蓄意篡改区域。实验结果表明,零水印的引入不会造成图像灰度值的改变,在确保交换性的同时可以完美定位图像篡改区域。

摘要： 人脑活动是在秒级与毫秒级动态变化的,因此采用静态连接方式构建的功能性脑网络,会造成部分与时间相关有效特征的缺失。该文旨在研究情绪变化期间不同大脑区域之间相互作用的时空变化,提出了一个系统的分析框架。该框架包括相关性度量,脑状态分割,代表性时间片段提取以及动态网络构建和分析。首先,利用皮尔逊相关系数量化不同脑区之间的功能连通性。其次,计算两相邻时间点的相关性矩阵之间的奇异值分解(singular value decomposition, SVD)矢量空间距离,确定情绪转换点并对非平稳脑状态进行时间片分割,提取代表性时间片段。最后,基于相关性和频带功率分布构建不同网络模式,利用滑动窗口法估计动态相关模式和动态功率分布变化,然后提取脑动力学的多变量特征并进行分类识别。在SEED数据集上进行的相关实验验证了基于动态功能连接的情感评估方法的可行性,为不同情绪状态下建立脑动态模型开辟了新的途径。

摘要： 局部放电监测是目前高压电气设备亟需解决的重要问题。由于局部放电信号往往含有大量白噪声,会影响对真实放电信号的识别,因此提出了一种基于EMD与SVD结合的S变换改进模型进行去噪的新方法。该方法主要由经验模态分解(EMD)、S变换、奇异值分解(SVD)3个部分组成。首先利用经验模态分解对局部放电信号进行分解,提取其中主要的特征量;其次对得到的特征量进行S变换,得到时频矩阵;然后对该矩阵进行奇异值分解,去除噪声;最后进行逆S变换,重构信号,从而得到较为清晰的时域放电信号。

摘要： 复杂电磁环境下基于卫星导航的列车定位所面临的安全威胁是新型智能铁路系统亟需关注的重要问题。针对卫星定位中常见的窄带干扰信号,提出一种基于自适应陷波滤波的干扰防护方法。该方法利用奇异值分解进行干扰特征提取,运用离线干扰样本集进行回归分析,建立干扰特征值与陷波滤波器极点结构因子之间的关系模型,由此在动态定位过程中自适应调整陷波滤波器参数并用于干扰作用的主动抑制。基于连续波、调幅、窄带高斯白噪声三类典型窄带干扰信号场景的测试结果表明,本文提出的方法能够根据干扰特征动态调整陷波滤波器参数;与未实施干扰防护处理及固定参数陷波滤波防护方案相比,在不同干扰强度水平下能够实现更优的卫星捕获能力,定位误差及其标准差相对无干扰防护情况分别降低25.15%和24.12%;在干扰强度较高情况下,干扰抑制效果及定位可用性保障能力更为显著。该方法对于卫星定位用于新型智能铁路系统主动抵御外部干扰入侵具有明确意义。

摘要： 基于奇异值分解的卡尔曼滤波由于可以缓解舍入误差的累积,提高滤波器的稳定性,在数值计算讨论中使用越来越广泛.为了进一步提升滤波器的滤波性能与适应性,本文在现有研究基础上提出了更加稳健的方法.该方法通过协方差匹配方式,利用新息动态修正滤波器当前噪声协方差,从而得到更合理的噪声估计,并且通过计算平方误差对修正次数进行约束,降低计算量.由于分解形式不同,在基本方法不变的情况下,分别采用次优以及最优的方式进行协方差修正,以适应不同形式.除此之外,本文还推导了信息滤波的奇异值分解形式,扩展了其应用.通过低动态场景GNSS/INS紧组合导航仿真和静态场景实物实验对所提方法进行评估,仿真以及实测结果表明,与传统基于奇异值分解卡尔曼算法相比,所提新算法的定位结果均方误差降低5％,与传统信息滤波算法相比,所提奇异值分解形式的信息滤波定位结果均方误差也降低5％.实验结果证明了所提方法具有更高定位精度.

摘要： 为了提取更为有效的滚动轴承故障特征,提出了奇异值分解(SVD)与经验模态分解(EMD)、小波包分解(WPD)相结合的特征提取方法.首先采用EMD或WPD方法分析滚动轴承振动信号,并用得到的分量构造Hankel矩阵;然后对构造的矩阵进行奇异值分解,并选取前s个较大的奇异值作为其有意义的特征量;最后拼接各个分量对应的奇异值,组成能反应信号特征的特征向量.并用仿真信号和实际信号验证了该方法的优越性和适应性.

摘要： 在实际生产过程中,机械设备的运行环境十分复杂,所采集的振动信号中存在大量的噪声,且常呈现非平稳特性,若对原始的振动信号直接进行包络解调处理,往往难以达到理想的效果.提出一种基于经验小波变换和奇异值分解的故障轴承诊断方法.首先利用经验小波变换(EWT)对原始信号进行分解,将复杂信号分解成多个固有模态函数(IMF),然后选取故障特征最明显的IMF分量进行奇异值分解(SVD)降噪,根据奇异值差分谱自适应地选择奇异值个数进行重构,最后对重构后的信号进行Hilbert包络解调,从而得到故障轴承的特征频率.实验结果表明,该方法能够有效地应提取滚动轴承的故障特征.

摘要： 滚动轴承早期微弱故障特征信号容易被系统噪声掩盖,奇异值分解技术(SVD)可以有效降低噪声水平,提高周期成分的提取能力.全矢谱技术可以融合同源双通道信息,能够更加全面、准确地反映设备振动特性.结合两种算法的优点提出了基于全矢信息融合和奇异值分解的故障特征提取方法,实验证明了该方法的有效性.

摘要： 针对微弱的齿轮故障信号难以检测问题,提出基于奇异值分解和RBF神经网络相融合的齿轮故障诊断方法.首先,通过实验台采集正常、断齿、裂纹和磨损四种故障信号,然后通过奇异值分解消噪,消噪的信号经三层小波包分解后,计算8个频段的能量特征值,并将能量特征值作为RBF神经网络训练的输入样本.通过样本数据的实验测试,结果表明,本文提出的诊断方法具有诊断精度高,诊断时间快等优势.

摘要： 由于浅海海域水平传播的航船噪声能量过大,传统被动测深技术经过自适应波束形成方法后仍不能获得很好的反演结果.因此需要对噪声数据进一步优化处理.这篇文章分析了青岛近海测得的海洋环境噪声数据,针对传统被动测深处理反演效果不理想,通过奇异值分解(SVD)分解对噪声数据进行重构,将水平传播的噪声与垂向传播的噪声进行分离重构.利用经验正交函数(EOF)再重构的数据进行被动测深,可以获得明显的海底沉积层分层信息.

摘要： 随着大数据和人工智能时代的到来,卷积神经网络已经成为众多科学领域的研究热点之一.然而,卷积神经网络在信息传递时,或多或少会存在边缘信息的丢失与损耗问题.为此,本文采用基于相空间重构的奇异值分解方法对轴承振动信号进行分析,得到的奇异值作为评估轴承健康状况的特征,并将特征由内而外螺旋重构为二维矩阵作为卷积神经网络的输入,有效抵制了网络传递过程中边缘信息的丢失与损耗问题,达到了较高的诊断准确率.

摘要： 针对早期微弱故障信号容易被强背景噪声湮没,振动信号的不同特征参数对初始故障敏感度有差异,及单一特征参数无法准确估计初始故障的问题,提出了一种基于VMD-SVD的马田系统滚动轴承初始故障诊断方法.首先利用变分模态分解(VMD)对振动信号进行分解,并通过奇异值分解(SVD)提取本征模态函数的特征值,同时加入对初始故障敏感的时域特征参数构建马田系统(MTS),计算马氏距离初步估计故障发生样本,然后采用回溯追踪法和包络分析进一步确定初始故障发生时间点.最终,通过滚动轴承加速寿命实验数据,验证了该方法的有效性和准确性.

摘要： 齿轮箱工况条件恶劣,且目标齿轮的故障信号往往容易被其他噪声淹没,造成了目标齿轮的故障频率不明显,故障特征难以提取等问题,针对以上问题,提出了一种基于微分的经验模态分解(Differential-based Empirical Mode Decomposition,DEMD)和奇异值分解(Singular Value Decomposition,SVD)的典型齿轮故障诊断方法.首先运用改进的DEMD算法对原始振动信号进行分解,获得若干个平稳的内禀模态函数(Intrinsic Mode Function,IMF),并以IMF分量组成Hankle矩阵作为特征向量矩阵,而后对其进行奇异值分解,并以矩阵的稀疏能量熵作为自适应确定有效奇异值的标准,最后将对应的IMF分量进行重构并求得其频谱.实验数据的分析处理结果表明,该方法有效地消除了冗余信息的干扰,突出故障特征,提升典型齿轮故障诊断效果.

摘要： 针对基于秘密信息置乱方法等类型的信息隐藏算法不可见性低和抗攻击性弱这一问题,提出了一种基于压缩感知和GHM多小波变换的信息隐藏算法.首先,将载体图像进行一次GHM多小波变换,再对所得到的中间能量区域进行一次小波变换得到删分量,将HH分量进行奇异值分解;其次,将秘密图像进行小波变换,将得到的小波系数进行压缩感知得到观测矩阵,再对观测矩阵元素进行奇异值分解;最后,利用秘密图像的奇异值替换掉载体图像的奇异值来完成秘密信息的嵌入.实验结果表明,相比两种加密算法,算法不可见性(PSNR值)分别提高5.99％和22.11％;对低通滤波、椒盐噪声、高斯噪声、JPEG压缩等常见攻击具有良好的鲁棒性,相关系数(NC)平均增强了4.11％和11.53％.

摘要： 本发明公开一种样本特性化系统。在实施例中，所述样本特性化系统包含通信地耦合到检验子系统的控制器，所述控制器包含经配置以执行存储于存储器中的程序指令集的一或多个处理器，所述程序指令集经配置以导致所述一或多个处理器：获取样本的一或多个目标图像帧；利用所述一或多个所获取目标图像帧来产生目标张量；对所述目标张量执行第一组的一或多个分解过程以形成产生包含一或多个参考图像帧的一或多个参考张量；识别所述一或多个目标图像帧与所述一或多个参考图像帧之间的一或多个差异；及基于所述一或多个所识别差异来确定所述样本的一或多个特性。

摘要： 描述了用于使用雅可比旋转对矩阵进行分解的技术。以多个复数值雅可比旋转矩阵对第一个复数值矩阵进行多次雅可比旋转迭代，以将第一个矩阵中的非对角线元素变为零。对于每次迭代，可以基于第一个矩阵构成子矩阵，并且对子矩阵进行分解以获得该子矩阵的本征向量，并且可以以该本征向量构成雅可比旋转矩阵，并且将雅可比旋转矩阵用于对第一个矩阵进行更新。基于雅可比旋转矩阵得到包含正交向量的第二个复数值矩阵。对于本征值分解，可以基于雅可比旋转矩阵得到第三个本征值矩阵。对于奇异值分解，可以基于雅可比旋转矩阵得到具有左奇异向量的第四个矩阵以及奇异值矩阵。

摘要： 本发明公开了基于经验模态分解和奇异值分解的振源数估计方法，包括S1：采集行星减速器振动观测信号；S2：采用经验模态分解方法对振动观测信号进行虚拟通道扩展；S3：采用奇异值分解方法求取通道扩展后振动信号的相关系数矩阵特征值；S4：利用K均值聚类方法分析相关系数矩阵特征值聚集结果，由最终聚类数量减去1作为振动信号盲源数估计结果，指导行星减速器的盲源分离和后续故障诊断。本发明解决行星减速器故障诊断过程中存在的观测传感器数量小于振源数量，无法准确估计行星减速器振动信号振源数量问题，可在不增加观测传感器硬件数量的前提下准确实现振动信号盲源数估计，提高基于振动信号分析的行星减速器故障诊断准确性。

摘要： 本发明公开了一种能对复杂电路进行快速电磁仿真的方法，它是基于矩阵分解结合新的奇异值分解来对复杂电路进行高效仿真，利用三角形对模型进行精确模拟，还利用树形结构中远场组具有很好的低秩特性原理，对远场组进行低秩压缩，得到比较稀疏的矩阵表示形式，本发明所述分析方法不依赖于格林函数的展开形式，提出的基于MDA的新的奇异值压缩方法来减少内存和计算时间，是一种纯的数学方法，能够将计算复杂度降为O(NlogN)，将内存消耗降为O(NlogN)。特别适合用于对大规模复杂电路电磁的仿真分析。也可为格林函数比较复杂的电路结构的仿真提供了有效的条件。

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： 描述了用于使用雅可比旋转对矩阵进行分解的技术。以多个复数值雅可比旋转矩阵对第一个复数值矩阵进行多次雅可比旋转迭代，以将第一个矩阵中的非对角线元素变为零。对于每次迭代，可以基于第一个矩阵构成子矩阵，并且对子矩阵进行分解以获得该子矩阵的本征向量，并且可以以该本征向量构成雅可比旋转矩阵，并且将雅可比旋转矩阵用于对第一个矩阵进行更新。基于雅可比旋转矩阵得到包含正交向量的第二个复数值矩阵。对于本征值分解，可以基于雅可比旋转矩阵得到第三个本征值矩阵。对于奇异值分解，可以基于雅可比旋转矩阵得到具有左奇异向量的第四个矩阵以及奇异值矩阵。

摘要： 本发明涉及一种基于奇异值分解与变分模态分解的轴承诊断方法，使用奇异值分解的方法对采集得到的振动信号进行去噪处理，对去噪后的信号进行变分模态分解；依据峭度值选取原则，选取变分模态分解得到的k个模态分量中有效的模态分量进行包络谱分析，识别轴承早期的微弱故障，确定故障类型。本发明将奇异值去噪与变分模态分解模型各自的优势相结合，能够准确的判断轴承的故障类型，并能够有效的识别轴承早期微弱的故障特征。利用该诊断方法能够对加工中心主轴轴承的健康状态进行监测，合理安排更换采购时间可有效的避免因为零部件的更换而导致的设备停机造成巨大的经济损失。

摘要： 本发明公开了基于经验模态分解和奇异值分解的振源数估计方法，包括S1：采集行星减速器振动观测信号；S2：采用经验模态分解方法对振动观测信号进行虚拟通道扩展；S3：采用奇异值分解方法求取通道扩展后振动信号的相关系数矩阵特征值；S4：利用K均值聚类方法分析相关系数矩阵特征值聚集结果，由最终聚类数量减去1作为振动信号盲源数估计结果，指导行星减速器的盲源分离和后续故障诊断。本发明解决行星减速器故障诊断过程中存在的观测传感器数量小于振源数量，无法准确估计行星减速器振动信号振源数量问题，可在不增加观测传感器硬件数量的前提下准确实现振动信号盲源数估计，提高基于振动信号分析的行星减速器故障诊断准确性。

摘要： 本发明公开了一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，其特征在于，包括如下步骤：1）水印的嵌入；2）水印的提取；3）图像隐藏。这种方法能使嵌入水印的图像具有良好的隐蔽性、该图像受到图像操作攻击和几何攻击时具有强鲁棒性，特别是在对抗缩放攻击、滤波攻击、噪声攻击、锐化攻击、JPEG压缩和JPEG 2000压缩攻击时有着很强的鲁棒性。

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。