导读:本文包含了稀疏矩阵分解论文开题报告文献综述、选题提纲参考文献，主要关键词:分解,稀疏,矩阵,光谱,图像,疵点,语音。
稀疏矩阵分解论文文献综述写法
刘运谋,陈璞,宋琦[1]（2019）在《稀疏矩阵LDL~T分解的并行研究》一文中研究指出并行计算是除了设计新算法之外的另一种有效提高计算效率的方法。本文首先简单介绍多核并行计算通用的设计方法与本文采用的并行化接口Open MP。在此基础上借鉴商用求解器PARDISO的思路设计出合适CSFD的稀疏求解并行算法,并给出在两个简单算例下的加速效果。(本文来源于《北京力学会第二十五届学术年会会议论文集》期刊2019-01-06）
张晓慧,郝润芳,李廷鱼[2]（2019）在《基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测》一文中研究指出异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开,可以极大地减弱异常目标对背景的污染。基于此,提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法,通过LRaSMD的方式获取背景集,通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。(本文来源于《激光与光电子学进展》期刊2019年04期）
张凯[3]（2018）在《基于稀疏矩阵分解的遥感图像融合》一文中研究指出目前,我国对地观测遥感卫星已迎来密集发射期,各类高分辨率遥感图像正在被广泛应用于现代农业、防灾减灾、资源调查、环境保护和国防安全等领域。然而,由于卫星传感器的硬件技术和发射成本的限制,传感器的空间分辨率与时间分辨率、光谱分辨率、扫描幅宽等存在的固有矛盾,使得遥感卫星无法同时获取高空间分辨率和高光谱分辨率的图像。例如,全色图像虽然包含一个波段,但是其空间分辨率很高。而多光谱图像空间分辨率较低,但是其由多个波段组成。高光谱图像则包含几百甚至上千个波段,能够提供丰富的光谱特征,但是其空间分辨率很低。因此,为了获得多属性的高分辨率遥感图像,研究人员采用图像融合技术综合利用多源遥感图像来实现对场景信息更加准确的解译。遥感图像可视为高维矩阵,而多源图像融合可看作是矩阵复原问题。针对现有图像融合方法中存在的光谱扭曲和空间信息损失等问题,本文挖掘遥感图像在空间和光谱域上的稀疏性,研究了基于稀疏矩阵分解的遥感图像融合技术。基于非负矩阵分解,卷积稀疏编码,低秩分解等模型,对全色与多光谱图像,以及多光谱和高光谱图像的融合进行了深入研究。论文主要工作内容如下:(1)挖掘高分辨率图像在空间与光谱退化模型中的稀疏性,结合遥感图像中像素值的非负性,提出了一种基于耦合稀疏非负矩阵分解的多光谱与全色图像融合方法。首先,该方法将低空间分辨率多光谱图像和全色图像分别进行非负矩阵分解,并通过源图像与融合图像之间的观测模型将字典和系数矩阵进行联合共享,从而实现源图像的联合表示。然后,通过交替迭代算法对该模型进行优化求解。最后,通过将来自全色图像的高分辨率字典与来自低空间分辨率多光谱图像的系数矩阵相乘得到融合图像。在QuickBird卫星和Geoeye-1卫星数据上的实验结果显示该方法能够较好地保持融合图像中的光谱信息。通过该算法学习得到的高分辨率字典能够很好地揭示图像中的空间结构,从而进一步增强图像中的空间细节。(2)挖掘多光谱图像波段间的结构稀疏性,提出了一种基于卷积结构稀疏编码的图像融合方法。该方法将低空间分辨率多光谱图像和全色图像看成是高空间分辨率多光谱图像空谱退化的结果。然后,将源图像与融合图像间的退化关系与卷积稀疏编码模型相结合。为了进一步利用多光谱图像波段间的相关性,该方法采用结构稀疏约束对该先验进行刻画,从而建立了卷积结构稀疏编码模型。再通过迭代方向乘子法(Alternating Direction Method of Multipliers,ADMM)对高分辨率特征图进行估计,从而得到融合图像。此外,为了保证高/低分辨率滤波器的对应性与一致性,还提出了一种基于块坐标下降法(Block Coordinate Descent,BCD)的高/低分辨率滤波器联合学习方法。在QuickBird卫星和Geoeye-1卫星数据上进行了性能验证。实验结果表明该方法能够有效提升融合图像的空谱质量。(3)为了获得更加准确的空谱注入成分,提出了一种基于低秩分解和空谱抵消成分的多光谱与全色图像融合方法。该方法采用低秩矩阵分解模型对高/低空间分辨率多光谱图像之间的关系进行建模。其次,定义空间抵消和光谱抵消分量,其中空间抵消分量用来表示高/低空间分辨率多光谱图像的空间差异,光谱抵消分量用来表示二者之间的光谱差异。基于两个抵消分量,分别定义空间均等正则和光谱比例正则,从全色图像和多光谱图像中学习得到准确的空间和光谱抵消分量。然后,结合融合图像与全色图像的光谱退化模型,建立了低秩融合框架。最后,通过增广拉格朗日乘子法计算得到融合图像。在QuickBird卫星和Geoeye-1卫星数据上验证了该方法的性能。实验结果显示该方法能够减少融合图像中的空间和光谱扭曲。(4)挖掘高光谱图像波段间的成组相关性,提出了一种基于低秩分解和组光谱嵌入的多光谱与高光谱图像融合方法。该方法结合多光谱图像与高光谱图像的光谱退化关系与差异图中的组稀疏先验,建立了低秩融合模型。此外,挖掘低空间分辨率高光谱图像中存在的流形结构,构建了组光谱嵌入正则。在低秩融合模型中,利用该正则能够将低空间分辨率多光谱图像各个波段间的几何关系和相似性共享到高空间分辨率高光谱图像中,从而保证了高光谱图像中相邻波段的相似性。在两类高光谱数据上的实验结果显示该方法产生的融合结果能够得到与参考图像更接近的高光谱曲线。(5)为了更完整地保持融合图像中的空谱结构,提出了一种基于低秩张量分解和空谱图正则的多光谱与高光谱图像融合方法。该方法采用低秩张量分解模型将源图像与融合图像进行建模。为了进一步提升融合图像的质量,该方法分别从多光谱图像和低空间分辨率高光谱图像中构建了空间图正则和光谱图正则。空谱图正则能够有效地将源图像中的先验信息进一步继承到融合图像中。由于考虑了源图像中的空间一致性和光谱结构,该方法能够能产生较好的融合图像。在两类高光谱数据上验证了该方法的算法性能。实验结果证明该方法更能够保持高光谱图像的整体结构。(本文来源于《西安电子科技大学》期刊2018-09-01）
戴雨心[4]（2018）在《对称稀疏矩阵技术在PQ分解法潮流计算中的应用与研究》一文中研究指出潮流计算是电力系统叁大计算中的一项基本计算,其计算结果对于后续电力系统稳态分析、确定系统运行方式具有重要意义。由牛顿-拉夫逊法衍生而来的PQ分解法(快速解耦法)在电力系统潮流计算中有着非常重要的地位,其收敛速度更快、占用内存也更少,在电力系统的实时潮流计算上有着巨大的优势。但是PQ分解法并非完美,仍然存在改进空间,因此,人们一直在不断追求保证PQ分解法可靠性的基础上,进一步提高潮流计算的速度。本文从PQ分解法潮流中两个系数矩阵的取值开始进行优化,再从给定结构的数据文件中读取数据,利用对称稀疏矩阵技术快速形成因子表并记录其上叁角每行非零元素的个数及其列角标用于后续的快速前代及回代计算,并运用塞德尔方式迭代以达到加快迭代速度的效果。与经典传统的PQ分解法相比,无论是最初数据文件的读取或是因子表法的求解亦或是总的计算时间等方面,本文所述方法在速度上均显着提升,并大大改善PQ分解法在求解多节点系统时可能出现的不收敛问题,且电力系统节点数越多,本方法的优势越大。同时本文也提及并改良了潮流计算中使用不多的直角坐标PQ分解法,并在收敛性和收敛速度上对比了极坐标PQ分解法。(本文来源于《南昌大学》期刊2018-06-04）
陆瑶[5]（2018）在《基于回归的稀疏矩阵分解方法的研究及在测序数据中的应用》一文中研究指出随着人类基因组计划和其它物种基因组计划的启动与实施,人类在生物大分子的序列、结构与功能等生命科学领域积累了大量数据。对于这些数据的挖掘研究,不仅有利于完善现有的稀疏建模理论体系,还会对癌症的预防和治疗产生积极的影响。本论文基于这一背景,研究生物测序数据的稀疏建模方法,研究重点是基于回归的矩阵分解方法的研究及在测序数据中的应用,包括:(1)将L_(2,1)范数稀疏回归方法应用到生物测序数据中,使其能够获得较好的差异表达基因的稀疏鉴别结果;通过对目标函数的规则项添加L_(2,1)范数约束,达到稀疏降维的目的,使用该算法可以解决主成分分析时产生的变量不易解释的现象,使所求结果易于解释且方便提取关键基因。通过将主成分分析法转化为一个回归类型的问题,在回归系数上加范数约束获得稀疏载荷,并提高执行效率,从而准确且高效的识别特征基因。(2)提出了基于多属性稀疏低秩回归的方法:该方法对线性回归方法进行了稀疏和低秩约束,通过施加L_(2,1)范数约束,使特征基因具有行稀疏的特性,通过低秩约束,使数据各行或列之间存在相关性,从而可以将该矩阵投影到更低维的线性子空间中。另外,将稀疏回归算法中加入标签信息,提出了低秩回归算法,并且应用多属性的数据来对癌症进行整合性分析,使最终的结果具有更为显着的生物学意义,提高分类和识别特征基因的准确性。(3)提出了多属性双范数约束回归方法:该方法对目标矩阵同时施加L_(2,1)范数和迹范数约束,并将其应用在生物测序数据中,可以较好地分析数据,提高特征选择和数据聚类的准确率。为了使稀疏回归问题可追踪,在稀疏算法中添加迹范数惩罚项,利用迹范数是凸问题,具有良好的收敛性能,可以获得唯一最优解。该算法能够处理未知训练集的样本外数据而直接获得矩阵的低维表达,对高维数据的分析有一定的优势,能够有效提高计算和聚类精度。本文的研究成果既能够补充稀疏性回归的建模理论,又能完善生物测序数据的分析方法体系,为下一步研究生物疾病、完善现有的基因学理论体系奠定坚实的基础。(本文来源于《曲阜师范大学》期刊2018-04-02）
李茂登,王大轶,黄翔宇[6]（2017）在《基于稀疏矩阵QR分解的滚动时域姿态估计方法研究》一文中研究指出本文给出了一种基于稀疏矩阵QR分解的滚动时域姿态估计方法。其主要思路在于首先将滚动时域姿态估计问题转化成非线性约束最小二乘问题,然后利用高斯-牛顿迭代法进行求解。为了提高实时性,对约束线性化方程采用零空间方法进行降维,从而可以将约束最小二乘问题简化成非约束最小二乘问题,且最小二乘系数矩阵具备特定的稀疏形式,通过稀疏矩阵的QR分解方法可以对状态估计进行更新。仿真结果验证了该算法的有效性。(本文来源于《2017中国自动化大会（CAC2017）暨国际智能制造创新大会（CIMIC2017）论文集》期刊2017-10-20）
盛伟,王保云,何苗,余英[7]（2017）在《基于评分相似性的群稀疏矩阵分解推荐算法》一文中研究指出如何提高系统的推荐精度,是当前推荐系统面临的重要问题。对矩阵分解模型进行了研究,针对评分数据的群结构性问题,提出了一种基于评分相似性的群稀疏矩阵分解模型(SSMF-GS)。首先,根据用户的评分行为对评分数据矩阵进行分群,获得相似用户群评分矩阵;然后,通过SSMF-GS算法对相似用户群评分矩阵进行群稀疏矩阵分解;最后,采用交替优化算法对模型进行求解。所提模型可以筛选出不同用户群的偏好潜在项目特征,提升了潜在特征的可解释性。在Group Lens网站上提供的Movie Lens数据集上进行仿真实验,实验结果表明,所提算法可以显着提高预测精度,平均绝对误差(MAE)及均方根误差(RMSE)指标均表现出良好的性能。(本文来源于《计算机应用》期刊2017年05期）
高广帅[8]（2017）在《基于低秩稀疏矩阵分解的织物疵点检测算法研究》一文中研究指出织物疵点检测是纺织品质量控制系统中一个核心环节,直接影响着系统的性能。从纹理复杂的织物图像中检测形态多样的疵点具有重要的应用价值。该问题的解决也有利于对其它工业产品表面缺陷检测提供新的解决思路。现有织物疵点检测多采用传统模式识别的方法,如统计分析、频谱分析等。近年来,受压缩感知和稀疏表示理论的推动,低秩稀疏矩阵分解模型在图像处理和模式识别中也获得广泛的应用,并且在目标检测中达到很好地检测效果。低秩稀疏矩阵分解模型与人类视觉系统的低秩稀疏性相吻合,通过将图像矩阵分解为低秩阵和稀疏阵,实现目标与背景的有效分离,特别地,对于织物图像,视觉上具有高度冗余性,相对于自然图像中的目标检测,织物疵点检测能够更好地符合了低秩稀疏矩阵分解模型。另外,织物图像的特征提取也是疵点检测的关键步骤。对图像提取好的特征,并构建合适的低秩稀疏矩阵分解模型,并利用有效的优化求解方法和对分解得到的疵点分布图采用有效的阈值分割算法,才能准确和有效的定位出疵点的位置和区域。为此,本论文提出应用方向梯度直方图和低秩分解、基于Gabor滤波器和低秩分解、基于GHOG和低秩矩阵恢复以及基于生物视觉特征提取及低秩表示的织物疵点检测算法。所做的工作以及研究成果如下:1)提出基于Gabor滤波器和低秩分解的织物疵点检测算法。首先,对织物图像提取Gabor滤波器特征,再对生成的特征图进行均匀分块,并将所有的图像块特征组合成特征矩阵。对于生成的特征矩阵,构建合适的低秩分解模型,通过快速近端梯度方法优化求解,从而生成低秩矩阵和稀疏矩阵,最后采用最优阈值分割算法对由稀疏阵生成的疵点分布图进行分割,从而定位出疵点的区域和位置。2)提出了应用方向梯度直方图(HOG)和低秩分解的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵。针对特征矩阵,构建有效的低秩分解模型,通过增广拉格朗日方法优化求解,生成低秩阵和稀疏阵;最后采用最优阈值分割算法对由稀疏阵生成的疵点分布图进行分割,从而定位出疵点区域。3)提出了基于GHOG及低秩分解的模式织物疵点检测算法。对于前两种检测算法只能检测纹理较为简单的织物疵点图像,本论文提出了一种基于GHOG和低秩恢复的模式织物疵点检测算法。首先,对图像进行Gabor滤波,从而生成相应的Gabor特征图,然后将对应的方向上的Gabor特征图进行均匀分块,并提取HOG特征,从而生成最后的GHOG特征,并将所有图像块的特征向量进行级联生成特征矩阵。对特征矩阵,构建低秩分解模型,并利用方向交替方法进行优化求解,产生低秩矩阵和稀疏矩阵,并对由稀疏矩阵产生的疵点分布图采用最优阈值分割算法进行分割,从而定位出疵点的位置。4)提出了基于生物视觉特征提取及低秩表示的织物疵点检测算法。生物视觉对客观世界的表征是完备的,能支持各种复杂的高级视觉任务。本文引入一种借鉴人类视觉感知和视网膜表征机理的特征表示方法。在该特征表示的基础上,利用KSVD在测试图像上训练出正常织物图像块字典。基于学习出的字典,建立特征矩阵的低秩表示模型,并利用ADMM方法进行求解,从而提高算法检测效果及自适应性。(本文来源于《中原工学院》期刊2017-03-01）
张国汉,周建强,唐建国[9]（2016）在《大型变带宽正定稀疏矩阵的局部分解算法设计与实现》一文中研究指出本文通过对大型正定对称矩阵局部元素值变动对分解结果影响的研究,提出一种基于Cholesky分解法的局部分解算法,通过重用原矩阵分解结果来分解变动后的新矩阵,节约计算时间,提高分解效率。(本文来源于《自动化应用》期刊2016年09期）
谢坚筱[10]（2016）在《基于低秩与稀疏矩阵分解的子空间语音增强方法的研究》一文中研究指出子空间语音增强方法可以有效地从带噪语音样本中估计出增强后语音。在传统的子空间方法中,一个关键的步骤是通过子空间分解方法分解出一个与语音信号有关的子空间和与噪声信号相关的子空间,通常是由奇异值分解或特征值分解来完成。然而,由于传统的子空间分解算法是脆弱的,容易受大噪声影响并使其分解精度变低,因此在低信噪比的情况下导致增强后的语音信号中有大量的残留噪声。本课题提出了基于低秩和稀疏矩阵分解(JLSMD)子空间方法的语音增强算法。在该方法中,本课题首先将带噪语音信号数据改为Toeplitz矩阵和估计其纯净语音信号矩阵的有效秩。然后通过基于JLSMD的子空间分解,分解得到对应于增强后语音的低秩分量和对应于噪声信号的稀疏分量。同时本课题将JLSMD算法扩展到有色噪声的情况下,对有色噪声进行预白化处理,改进了合成分析方法,使其应用性更广。将JLSMD算法在高斯白噪声和现实世界的噪音的情况下进行了实验。实验结果显示在许多类型的强噪声条件下,该方法比传统方法产生更少的残留噪声,而且使语音失真更低。本课题的方法和工作成果如下:1.在白噪声的情况下,提出了基于JLSMD的子空间语音增强算法,比原子空间算法去除了更多的残留噪声,使语音失真度更低。2.在有色噪声的情况下,改进了基于JLSMD的子空间语音增强算法,使其实用性更广,同时比传统基于SVD子空间算法增强语音效果更好。(本文来源于《南昌航空大学》期刊2016-06-01）
稀疏矩阵分解论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开,可以极大地减弱异常目标对背景的污染。基于此,提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法,通过LRaSMD的方式获取背景集,通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
稀疏矩阵分解论文参考文献
[1].刘运谋,陈璞,宋琦.稀疏矩阵LDL~T分解的并行研究[C].北京力学会第二十五届学术年会会议论文集.2019
[2].张晓慧,郝润芳,李廷鱼.基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测[J].激光与光电子学进展.2019
[3].张凯.基于稀疏矩阵分解的遥感图像融合[D].西安电子科技大学.2018
[4].戴雨心.对称稀疏矩阵技术在PQ分解法潮流计算中的应用与研究[D].南昌大学.2018
[5].陆瑶.基于回归的稀疏矩阵分解方法的研究及在测序数据中的应用[D].曲阜师范大学.2018
[6].李茂登,王大轶,黄翔宇.基于稀疏矩阵QR分解的滚动时域姿态估计方法研究[C].2017中国自动化大会（CAC2017）暨国际智能制造创新大会（CIMIC2017）论文集.2017
[7].盛伟,王保云,何苗,余英.基于评分相似性的群稀疏矩阵分解推荐算法[J].计算机应用.2017
[8].高广帅.基于低秩稀疏矩阵分解的织物疵点检测算法研究[D].中原工学院.2017
[9].张国汉,周建强,唐建国.大型变带宽正定稀疏矩阵的局部分解算法设计与实现[J].自动化应用.2016
[10].谢坚筱.基于低秩与稀疏矩阵分解的子空间语音增强方法的研究[D].南昌航空大学.2016