评价彩色图像质量的四元数矩阵最大奇异值方法

针对传统的图像质量评价方法忽略颜色信息以及与人眼感知信息一致性差的问题,提出了一种全面利用彩色图像颜色信息,突出人眼敏感图像结构的彩色图像质量客观评价方法。将图像中人眼敏感的结构分为细节,亮度和颜色3方面因素,将四元数矩阵作为载体,构造了一种用于彩色图像质量评价的四元数矩阵,并对其进行奇异值分解。将最大奇异值作为度量图像结构相似性的主要参数,通过分析图像结构差异映射图谱得到了最终的量化评价结果。采用LIVE数据库中包含5种失真类型的982张测试图片验证了提出的算法,得到的交叉失真实验非线性拟合均方根误差（RMSE）值为9.176,Spearman等级相关系数（SROCC）值为0.929 6,而结构相似度（SSIM）方法的RMSE值为9.299,SROCC值为0.925 6。试验结果表明,该方法采用四元数矩阵描述彩色图像的结构信息,考虑了彩色图像的多方面结构特征,与人眼视觉感知特性的一致性优于传统方法。     

结合改进主动学习的SVD-CNN弹幕文本分类算法

为解决传统卷积神经网络（CNN）模型使用池化层进行文本特征降维会损失较多文本语义信息的问题,提出一种基于奇异值分解（SVD）算法的卷积神经网络模型（SVD-CNN）。首先,采用改进的基于密度中心点采样的主动学习算法（DBC-AL）选择对分类模型贡献率较高的样本进行标注,以低标注代价获得高质量模型训练集;然后,结合SVD算法建立SVD-CNN弹幕文本分类模型,使用奇异值分解的方法代替传统CNN模型池化层进行特征提取和降维,并在此基础上完成弹幕文本分类任务;最后,使用改进的梯度下降算法（PSGD）对模型参数进行优化。为了验证改进算法的有效性,使用多种弹幕数据样本集,对提出的模型与常用的文本分类模型进行对比实验。实验结果表明,改进的算法能够更好地保留文本语义特征,保证训练过程的稳定性并提高了模型的收敛速度,在不同的弹幕文本上较传统算法具有更好的分类性能。     

Image Restoration Using Hybrid Features Improvement on Morphological Component Analysis

Images are generally corrupted by impulse noise during acquisition and transmission. Noise deteriorates the quality of images. To remove corruption noise, we propose a hybrid approach to restoring a random noise-corrupted image, including a block matching 3D (BM3D) method, an adaptive non-local mean (ANLM) scheme, and the K-singular value decomposition (K-SVD) algorithm. In the proposed method, we employ the morphological component analysis (MCA) to decompose an image into the texture, structure, and edge parts. Then, the BM3D method, ANLM scheme, and K-SVD algorithm are utilized to eliminate noise in the texture, structure, and edge parts of the image, respectively. Experimental results show that the proposed approach can effectively remove interference random noise in different parts; meanwhile, the deteriorated image is able to be reconstructed well.     

基于频响函数奇异值的模型修正方法

为减少实测环境中噪声的干扰,提出了一种基于频响函数奇异值的模型修正方法。利用计算得到的频响函数重构吸引子矩阵,对其进行奇异值分解,并在受噪声影响时根据极值点数量突变原则选择保留主要特征信息的奇异值个数,确定待修正参数;采用拉丁超立方抽样抽取初始样本点,结合修正参数所对应的奇异值响应,用粒子群算法寻得最优相关系数,构建Kriging模型;以奇异值响应差的平方最小构造目标函数,利用布谷鸟算法求解参数修正值。仿真算例表明:以奇异值作为结构响应,构建Kriging模型能获得较高的修正精度;在频响函数中加入不同信噪比的高斯白噪声,仍能得到较满意的修正效果,证明了该方法对噪声具有较强的鲁棒性。     

结合矩阵分解与差分隐私的人脸图像发布

目的 人脸图像蕴含着丰富的个人敏感信息,直接发布可能会造成个人隐私泄露。为了保护人脸图像中的隐私信息,提出3种基于矩阵分解与差分隐私技术相结合的人脸图像发布算法,即LRA（low rank-based private facial image release algorithm）、SRA（SVD-based private facial image release algorithm）和ESRA（enhanced SVD-based private facial image release algorithm）。方法 为了减少拉普拉斯机制带来的噪音误差,3种算法均将人脸图像作为实数域2维矩阵,充分利用矩阵低秩分解与奇异值分解技术压缩图像。在SRA和ESRA算法中,如何选择矩阵压缩参数r会直接制约由拉普拉斯机制引起的噪音误差以及由矩阵压缩导致的重构误差。SRA算法利用启发式设置参数r,然而r值增大导致过大的噪音误差,r值减小导致过大的重构误差。为了有效均衡这两种误差,ESRA算法引入一种基于指数机制的挑选参数r的方法,能够在不同的分解矩阵中挑选合理的矩阵尺寸来压缩人脸图像,然后利用拉普拉斯机制对挑选的矩阵添加相应的噪音,进而使整个处理过程满足ε-差分隐私。结果 基于6种真实人脸图像数据集,采用支持向量机（support vector machine,SVM）分类技术与信息熵验证6种算法的正确性。从算法的准确率、召回率、F1-Score,以及信息熵度量结果显示,提出的LRA、SRA与ESRA算法均优于LAP（Laplace-based facial image protection）、LRM（low-rank mechanism）以及MM（matrix mechanism）算法,其中ESRA算法在Faces95数据集上的准确率和F1-Score分别是LRA、LRM和MM算法的40倍、20倍和1倍多。相对于其他5种算法,ESRA算法对数据集大的变化相对稳定,可用性最好。结论 本文算法能够实现满足ε-差分隐私的敏感人脸图像发布,具有较好的可用性与鲁棒性,并且为灰度人脸图像的隐私保护提供了新的指导方法与思路,能有效用于社交平台和医疗系统等领域。     

SVD推荐算法在传统服饰商城的应用

随着互联网的普及和信息技术的发展,人们日常生活可以接触到的信息越来越丰富,产生信息数据的速度也越来越快。在拥有海量信息数据的同时,过量的信息不可避免地导致了“信息过载”问题,而推荐系统正是解决这个问题的有效方法之一。首先介绍了奇异值分解(SVD)和SVD推荐算法之间的联系,然后叙述了SVD推荐算法的思路并给出SVD算法模型的最优损失函数。在此基础上,建立一个传统服饰商城的推荐系统,利用158组样本数据测试该系统,得出推荐系统的均方根误差为0.9994,平方绝对值误差为0.7366。此外还计算了样本数据的误差百分比,结果表明绝大多数测试样本的误差百分比在30%以内。基于SVD推荐模型的特点和实验结果得出,SVD推荐模型适用于小型电商平台的商城用户的个性化推荐。     

基于SVD压缩的高保真可逆信息隐藏算法

针对嵌入秘密数据对原始图像造成失真明显的问题,提出一种利用奇异值分解（Singular Value Decomposition,SVD）进行像素预测的可逆信息隐藏算法。首先将原始载体分成灰和白两层,选取灰色层中的像素作为目标像素,其领域上的白色层像素作为参考像素;而后利用这些参考像素构成邻域矩阵,再对其SVD压缩处理,利用压缩结果预测目标像素;最后通过扩展预测误差嵌入秘密数据。实验数据显示,该算法有效降低了携密载体的嵌入失真。     

基于步态子空间的无监督双足步行状态辨识

在利用足压信息对人体步行状态的辨识中,由多传感器阵列采集获得的双足压力信号存在冗余度高、关联性弱、噪声干扰强等问题.为了辨识人体下肢运动状态,文中提出基于奇异值分解与模糊C均值聚类的步行状态辨识.首先采用奇异值分解的方法,融合足压多源观测数据,提取关于步态的特征信号.然后再将特征信号以向量形式张成步态信息子空间,并基于模糊C均值聚类算法对特征点进行聚类处理.因为特征点与信号采样序列一一映射,故聚类结果在时域上形成对步态运动过程的阶段划分.实验表明,文中方法可以有效辨识人体下肢的5种典型运动状态.     

Interpolatory Model Order Reduction Method for Second Order Systems

In this paper, we propose a structure‐preserving model reduction method for second‐order systems based on H₂ optimal interpolation. In the iterative process of the proposed method, an algorithm is presented for selecting interpolation points in order to control the dimension of the reduced system. Result about error analysis of the interpolation points selection algorithm is obtained and the property of the new model reduction method is also given. Finally, three numerical examples are performed to illustrate the effectiveness of the new method.     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.