基于lP范数的非凸低秩张量最小化

在低秩矩阵、张量最小化问题中,凸函数容易求得最优解,而非凸函数可以得到更低秩的局部解.文中基于非凸替换函数的低秩张量恢复问题,提出基于l_p范数的非凸张量模型.采用迭代加权核范数算法求解模型,实现低秩张量最小化.在合成数据和真实图像上的大量实验验证文中方法的恢复性能.     

基于非凸低秩约束的图像修复方法

受传输干扰或存储不当等因素的影响,现实应用中获取的某些图像通常会存在像素缺失现象, 这给图像的后续分析与处理带来了一定影响。解决该问题的常用方法是对图像进行低秩修复。利用低秩特性进 行修复的方法大多以秩函数建模,由于矩阵秩函数是非凸离散的,该模型的求解是一个 NP 难问题,所以通常 利用核范数对矩阵的秩进行凸松弛。但是,基于核范数的修复方法与基于秩函数极小化的方法之间存在一定偏 差,因此提出非凸低秩约束的图像修复方法。即采用 log 函数代替核范数对秩进行约束,能够克服核范数无法 很好逼近秩最小化的问题。此外,为有效求解上述非凸模型,将目标函数转化为增广拉格朗日函数,利用交替 方向乘子法求解图像修复模型。实验结果表明,该修复方法能够处理不同情况下的像素缺失问题,且修复性能 明显好于现有低秩修复方法。     

利用Capped核范数正则化的人体运动捕获数据恢复

结合人体运动数据的低秩性、噪声稀疏性和时序稳定性,将人体运动捕获数据恢复问题建模为低秩矩阵填充问题.不同于传统方法采用核范数作为矩阵秩函数的凸松弛,引入了非凸的矩阵Capped核范数(CaNN).首先,建立基于CaNN正则化的人体运动捕获数据恢复模型;其次,利用交替方向乘子法,结合截断参数自适应学习与(逆)离散余弦傅里叶变换对模型进行快速求解;最后,在CMU数据集和HDM05数据集上,将CaNN模型与经典的TSMC,TrNN,IRNN-Lp和TSPN模型进行对比实验.恢复误差和视觉效果比较结果表明,CaNN能够有效地对失真数据进行恢复,且恢复后的运动序列与真实运动序列逼近度较高.     

基于截断平衡展开核范数的鲁棒张量环填充

低秩张量填充旨在基于不同张量分解模型恢复缺失数据,由于在挖掘一些高阶数据结构的具有明显的优势,低秩张量环模型已经被广泛应用于张量填充问题。先前的研究已经提出很多关于张量核范数的定义。然而,它们不能很好地近似张量真实的秩,也不能在优化环节利用低秩特性。因此,基于很好近似张量秩的截断平衡展开核范数,提出一种基于截断平衡展开核范数的鲁棒张量环填充模型。在算法优化部分,利用以前提出的矩阵奇异值分解和交替方向乘子法。实验证明,在图像恢复和视频的背景建模问题上,效果比其他算法好。     

联合矩阵F范数的低秩图像去噪

摘 要：目的：低秩矩阵恢复是通过最小化矩阵核范数来获得低秩解,然而待恢复低秩矩阵相关性低的要求往往会导致求解不稳定的情况。方法：针对该问题,研究一种基于变量分裂的低秩图像恢复去噪算法,引入待恢复矩阵的Frobenius范数作为新正则项,与原有低秩矩阵的核范数组成联合正则化项,对问题进行凸松弛后,采用变量分裂的增广拉格朗日乘子法求解。结果：为考察方法的稳定性和去噪能力,选取了不同参数类型的加噪图像进行仿真,并结合恢复时间、信噪比、差错率等评价标准与现有低秩矩阵恢复算法进行对比。结论：实验结果表明增加Frobenius范数的低秩矩阵恢复模型在保持原有低秩稀疏恢复的前提下,具有良好的去噪性能,对相关性强的低秩图像恢复结果稳定性好,获得了更高的信噪比。     

基于加权Schatten-p范数的矩阵填充及其应用

基于核范数的矩阵填充模型中，由于对所有奇异值的惩罚力度一样以及实际应用中核范数对秩函数的逼近效果不佳，导致评分矩阵填充时准确性不高。针对这种情况，提出一种基于加权Schatten-p范数最小化模型。利用Schatten-p范数作为秩函数的逼近函数对评分矩阵进行低秩约束；采用对奇异值加权的方式来避免对所有奇异值用同一值收缩的问题，以更好地逼近原始秩函数；采用近端交替线性化最小化方法来求解非凸最小化问题。MovieLens数据集上的实验结果表明，相比加权核范数模型(WNNM)、卷积矩阵分解模型(ConvMF)、融合多维语义表示的概率矩阵分解模型(MFMSR),该模型提高了预测的准确性，在推荐性能指标上明显优于对比模型。     

非凸加权核范数及其在运动目标检测中的应用

目的 近年来,低秩矩阵分解被越来越多的应用到运动目标检测中。但该类方法一般将矩阵秩函数松弛为矩阵核函数优化,导致背景恢复精度不高;并且没有考虑到前景目标的先验知识,即区域连续性。为此提出一种结合非凸加权核范数和前景目标区域连续性的目标检测算法。方法 本文提出的运动目标检测模型以鲁棒主成分分析(RPCA)作为基础,在该基础上采用矩阵非凸核范数取代传统的核范数逼近矩阵低秩约束,并结合了前景目标区域连续性的先验知识。该方法恢复出的低秩矩阵即为背景图像矩阵,而稀疏大噪声矩阵则是前景目标位置矩阵。结果 无论是在仿真数据集还是在真实数据集上,本文方法都能够取得比其他低秩类方法更好的效果。在不同数据集上,该方法相对于RPCA方法,前景目标检测性能提升25%左右,背景恢复误差降低0.5左右;而相对于DECOLOR方法,前景目标检测性能提升约2%左右,背景恢复误差降低0.2左右。结论 矩阵秩函数的非凸松弛能够比凸松弛更准确的表征出低秩特征,从而在运动目标检测应用中更准确的恢复出背景。前景目标的区域连续性先验知识能够有效地过滤掉非目标大噪声产生的影响,使得较运动目标检测的精度得到大幅提高。因此,本文方法在动态纹理背景、光照渐变等较复杂场景中均能够较精确地检测出运动目标区域。但由于区域连续性的要求,本文方法对于小区域多目标的检测效果不甚理想。     

不完全鲁棒主成分分析的正则化方法及其在背景建模中的应用

针对现有的鲁棒主成分分析(RPCA)方法忽略序列数据的连续性及不完整性的情况,提出了一种低秩矩阵恢复模型——正则化不完全鲁棒主成分分析(RIRPCA)。首先基于序列数据连续性的度量函数建立了RIRPCA模型,即最小化矩阵核范数、L₁范数和正则项的加权组合;然后使用增广拉格朗日乘子法来求解所提出的凸优化模型, 此算法具有良好的可扩展性和较低的计算复杂度;最后,将RIRPCA应用到视频背景建模中。实验结果表明,RIRPCA比矩阵补全和不完全RPCA等方法在恢复丢失元素和分离前景上具有优越性。     

时空RPCA在复杂场景下的运动目标检测

在复杂动态背景下,鲁棒主成分分析模型(RPCA)容易将背景中动态背景误判为前景运动目标,导致运动目标检测精度不高。为解决该问题,提出一种基于非凸加权核范数的时空低秩RPCA算法。使用非凸加权核范数替代传统的核范数进行低秩约束,在观测矩阵上通过拉普拉斯特征映射得到时空图拉普拉斯矩阵,将得到的时空图拉普拉斯矩阵嵌入低秩背景矩阵以保持背景对噪声和离群值的鲁棒性。实验结果表明,所提模型在复杂场景中能较准确检测出运动目标。     

随机鼠疫病模型的核范数子空间辨识

基于连续鼠疫病模型,通过零阶保持器得到相应的离散模型.由于随机扰动的存在,提出相应的随机鼠疫病模型.设计卡尔曼滤波器,估计随机模型的状态变量以及降低噪声影响.采用核范数最小化方法代替奇异值分解,得到输入输出投影矩阵的低秩矩阵逼近.通过交替方向乘子法求解此优化问题,得到输出变量的最优解.根据世界卫生组织的非洲人类鼠疫病数据,利用本文提出的方法得到随机鼠疫病模型.仿真研究表明提出方法的有效性和精确性.     

稀疏条件下的重叠子空间聚类算法

现有子空间聚类算法不能很好地平衡子空间数据的稠密性和不同子空间数据稀疏性的关系,且无法处理数据的重叠问题。针对上述问题,提出一种稀疏条件下的重叠子空间聚类(OSCSC)算法。算法利用L1范数和Frobenius范数的混合范数表示方法建立子空间表示模型,并对L1范数正则项进行加权处理,提高不同子空间的稀疏性和同一子空间的稠密性;然后对划分好的子空间使用一种服从指数族分布的重叠概率模型进行二次校验,判断不同子空间数据的重叠情况,进一步提高聚类的准确率。在人造数据集和真实数据集上分别进行测试,实验结果表明,OSCSC算法能够获得良好的聚类结果。     

基于隐特征空间的极限学习机模型选择

针对极限学习机（ELM）中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法。首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数;其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间;最终自适应得到最优映射函数和ELM模型。分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低。     

具Frobenius有界不确定性广义系统的鲁棒稳定性

研究了具Frobenius有界不确定性广义系统的稳定与鲁棒镇定问题. 通过对代数Riccati不等式或代数Riccati方程的求解, 获得了不确定广义系统广义二次稳定的充要条件, 使得对所有容许的不确定参数, 系统是稳定, 正则和无脉冲. 而且, 根据一类矩阵方程, 构造了使不确定广义系统鲁棒镇定的状态反馈控制器的设计方法. 实例说明了上述方法的有效性.     

双加权多视角子空间聚类算法

多视角子空间聚类方法为高维多视角数据的聚类问题提供了大量的解决方案.但是现有的子空间方法仍不能很好地解决以下两个问题:(1)如何利用不同视角的差异性进行学习获得一个优质的共享系数矩阵;(2)如何增强共享系数矩阵的低秩性.针对以上问题,提出了一种有效的双加权多视角子空间聚类算法.该算法首先通过子空间自表达学习到每个视角的...     

基于平滑l0范数正交子空间非负矩阵分解

为了能够提升分解矩阵的稀疏表达能力,提出了一种新的基于平滑l0范数的正交子空间非负矩阵分解方法。通过将分解矩阵的正交性及平滑l0范数约束同时引入矩阵分解的目标函数中一起进行优化,大大降低了计算复杂度,并提升了分解矩阵的稀疏表达能力。同时给出了分解矩阵的乘积更新迭代规则。通过在三个真实数据库(Iris,UCI,ORL)上的实验表明,该方法在分解所得矩阵的稀疏表示方面及将其应用于聚类问题所取得的聚类效果方面优于其他方法。     

最大熵和l2,0范数约束的无监督特征选择算法

无监督特征选择可以降低数据维数,提高算法的学习性能,是机器学习和模式识别等领域中的重要研究课题。和大多数在目标函数中引入稀疏正则化解决松弛问题的方法不同,提出了一种基于最大熵和l2,0范数约束的无监督特征选择算法。使用具有唯一确定含义的l2,0范数等式约束,即选择特征的数量,不涉及正则化参数的选取,避免调整参数。结合谱分析探索数据的局部几何结构并基于最大熵原理自适应的构造相似矩阵。通过增广拉格朗日函数法,设计了一种交替迭代优化算法对模型求解。在四个真实数据集上与其他几种无监督特征选择算法的对比实验,验证了所提算法的有效性。