基于低秩表示的非负张量分解算法

为了提高图像分类准确率,提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展,低秩表示将矩阵的秩作为一种稀疏测度,由于矩阵的秩反映了矩阵的固有特性,所以低秩表示能有效的分析和处理矩阵数据,本文把低秩表示引入到张量模型中,即引入到非负张量分解算法中,进一步扩展非负张量分解算法。实验结果表明,本文所提算法与其他相关算法相比,分类结果较好。     

自适应图正则化的低秩非负矩阵分解算法

图正则化(nonnegative matrix factorization,NMF)算法(graph regularization nonnegative matrix factorization,GNMF)仍存在一些不足之处:GNMF算法并没有考虑数据的低秩结构;在GNMF算法中,其拉普拉斯图是使用K近邻(K nea...     

非负低秩图嵌入算法

现有的非负矩阵分解方法(NMF)还存在一些不足之处。一方面,NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;另一方面,NMF方法还存在对噪声数据和不可靠图敏感以及鲁棒性差的缺点。为了解决这些问题,提出了一种非负低秩图嵌入算法(NLGE),该算法同时考虑了原始图像数据的几何信息和有效低秩结构,使得其鲁棒性有了进一步的提高。此外,还给出了一种求解NLGE算法的迭代规则,并进一步证明了该求解算法的收敛性。最后,在ORL、CMU PIE、YaleB和USPS数据库上的实验结果表明了NLGE算法的有效性。     

基于干净数据的流形正则化非负矩阵分解

现有的非负矩阵分解（NMF）算法往往基于欧氏距离来设计目标函数,对噪声比较敏感。为了增强算法的鲁棒性,提出一种基于干净数据的流形正则化非负矩阵分解（MRNMF/CD）算法。在MRNMF/CD算法中,把低秩约束、流形正则化和NMF技术无缝地融为一体,使算法性能较为优异。首先,通过添加低秩约束,MRNMF/CD可以从噪声数据中恢复干净数据,并获得数据的全局结构;其次,为了利用数据的局部几何结构信息,MRNMF/CD把流形正则化融入目标函数中。此外,还提出了一种求解MRNMF/CD的迭代算法,并从理论上分析了该求解算法的收敛性。在ORL、Yale和COIL20数据集上的实验结果表明,MRNMF/CD算法比现有的k-means、主成分分析（PCA）、NMF和图正则化非负矩阵分解（GNMF）算法具有更好的识别准确性。     

基于非负矩阵分解的IP流量预测

为解决宽带多媒体卫星通信系统中的IP流量预测问题,首先使用多用户的IP流量作为训练数据,通过非负矩阵分解迭代方法将其分解为基向量矩阵和编码矩阵,之后再通过ARIMA模型在时间维度上对编码矩阵中的各个行向量进行预测,最后依照预测结果和基向量矩阵合成出各个用户的IP流量预测结果。由于经非负矩阵分解后,编码矩阵中的行向量个数小于用户个数,因此相对于原始的单个用户独立预测方法,新方法可以降低运算的复杂度。仿真实验证实了本方法预测的准确性。     

基于L21范数的非负低秩图嵌入算法

现有的非负矩阵分解方法直接在原始高维图像数据集上计算低维表示,同时存在对噪声数据、噪声标签、不可靠图敏感及鲁棒性较差的缺点.为了解决上述问题,文中提出基于L21范数的非负低秩图嵌入算法(NLGEL21),同时考虑原始数据集的有效低秩结构和几何信息.在图嵌入和数据重构函数中引入L21范数,进一步提高鲁棒性,并给出求解NLGEL21的乘性迭代公式和收敛性证明.在ORL、CMU PIE、YaleB人脸数据库上的实验验证NLGEL21的优越性.     

多矩阵低秩分解的鲁棒特征提取

由于传统的人脸识别算法效果容易受制于光照、表情、遮挡以及稀疏大噪声等外界因素的影响,如何有效提取数据特征、进一步提升算法的鲁棒性,是传统人脸识别方法发展的关键所在.本文将多矩阵低秩分解应用在人脸特征提取中,充分利用多张人脸之间的结构相似性,探索人脸图像集的低秩子空间,进而结合低秩矩阵恢复模型来提取测试样本的低秩特征.最...     

基于流形正则化的非光滑非负矩阵分解

经典的非光滑非负矩阵分解方法只能发现数据中的全局统计信息,对于非线性分布数据无能为力,而流形学习方法在探索高维非线性数据集真实几何结构方面具有明显优势。鉴于此,基于流形正则化思想,提出了一种新颖的基于流形正则化的非光滑非负矩阵分解方法。该方法不仅考虑了数据的几何结构,而且对编码系数矩阵和基矩阵同时进行稀疏约束,并将它们整合于单个目标函数中。构造了一个有效的乘积更新算法,并在理论上证明了算法的收敛性。标准数据集上的实验表明了MRnsNMF的有效性。     

基于图学习正则判别非负矩阵分解的人脸识别

基于图正则非负矩阵分解（NMF）算法充分利用了高维数据通常位于一个低维流形空间的假设从而构造拉普拉斯矩阵,但该算法的缺点是构造出的拉普拉斯矩阵是提前计算得到的,并没有在乘性更新过程中对它进行迭代。为了解决这个问题,结合子空间学习中的自表示方法生成表示系数,并进一步计算相似性矩阵从而得到拉普拉斯矩阵,而且在更新过程中对拉普拉斯矩阵进行迭代。另外,利用训练集的标签信息构造类别指示矩阵,并引入两个不同的正则项分别对该类别指示矩阵进行重构。该算法被称为图学习正则判别非负矩阵分解（GLDNMF）,并给出了相应的乘性更新规则和目标函数的收敛性证明。在两个标准数据集上的人脸识别实验结果显示,和现有典型算法相比,所提算法的人脸识别的准确率提升了1% ~ 5%,验证了其有效性。     

基于非负矩阵分解的语音深层低维特征提取方法

作为一种基于深层神经网络提取的低维特征,瓶颈特征在连续语音识别中取得了很大的成功。然而训练瓶颈结构的深层神经网络时,瓶颈层的存在会降低网络输出层的帧准确率,进而反过来影响该特征的性能。针对这一问题,本文基于非负矩阵分解算法,提出一种利用不包含瓶颈层的深层神经网络提取低维特征的方法。该方法利用半非负矩阵分解和凸非负矩阵分解算法对隐含层权值矩阵分解得到基矩阵,将其作为新的特征层权值矩阵,然后在该层不设置偏移向量的情况下,通过数据前向传播提取新型特征。实验表明,该特征具有较为稳定的规律,且适用于不同的识别任务和网络结构。当使用训练数据充足的语料进行实验时,该特征表现出同瓶颈特征几乎相同的识别性能;而在低资源环境下,基于该特征识别系统的识别率明显优于深层神经网络混合识别系统和瓶颈特征识别系统。     

基于EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%, 1.866%, 1.191%,0.026%, 1.559%, 0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.     

基于分形理论的短期电力负荷预测*

电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。具有精确的预测方法可以保证能源的节约,避免资源的浪费。同时也可以缓解电能短缺所造成的重大影响。论文为了实现更好的电力负荷预测方法,研究了分形理论在电力负荷上的应用。将分形拼贴定理和分形插值法应用到电力负荷预测之中。提出了分形理论电力负荷预测模型,得到了分形插值预测模型。为了证明分形插值法的有效性,论文将分形预测模型与传统的BP神经网络电力负荷预测模型相比较。最后通过仿真算例说明了论文提出的分形插值预测模型预测精度更高,预测相对误差较小。并且分形理论可以很好地应用在电力系统负荷预测中,预测效果要好于BP神经网络预测模型。     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此，在分析了电力负荷运行曲线的基础上，提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法，很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明，此方法具有町靠、鲁棒性好和快速等特点，优于神经网络电力负荷预报方法。     

基于多层融合神经网络模型的短期电力负荷预测方法

针对传统的短期电力负荷预测模型存在的预测精度不高和滞后性的问题,本文提出一种基于卷积神经网络、长短时记忆网络和注意力机制下的混合神经网络模型来进行预测。利用卷积层对多维的电力数据影响特征进行提取,过滤筛选其非重要影响因子,完成电力数据相关特征的映射变换,再通过长短时记忆网络层的循环,对时序性电力数据特征选择性提取,最后利用注意力机制添加重要特征的权重,经Adam算法优化后输出电力负荷预测的结果。依靠GPU强大的算力支撑来解决预测数据时的实时性问题,凭借多融合神经网络的手段来提高其预测精度。经由算例验证,所提出模型真实可靠,预测质量显著优于其他传统模型。     

融合实时因素的短期电力负荷预测方法

短期负荷预测对于电力系统安全经济运行有着重要的作用,支持向量机现已成功地应用在电力预测领域。提出一种基于实时气象因素的样本选择策略,首先利用日气象特征向量缩小样本集,然后基于实时气象因素利用FP-Growth算法选择与预测日相似的训练样本,最后建立支持向量机预测模型。最后通过实验表明,经过样本选择所建立起来的预测模型具有较高的预测精度。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

块关联匹配与低秩矩阵超分辨融合的图像修复

针对块匹配图像修复算法容易出现结构不连贯与块效应问题,提出一种两阶段图像修复方法.该方法通过增加相邻修复块在重叠区域的关联性约束,利用图像块关联匹配修复算法实现对降采样受损图像的粗修复,以保证图像主体结构的完整性;依据不同分辨率图像中像素点与其8邻域的线性相关性,引入带噪低秩矩阵填充算法对图像细节进行超分辨率精修复,使修复后图像的纹理与色彩变化具有连续性.实验结果表明,文中方法对包含渐变特征的自然图像修复具有更好的视觉效果.     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。