半奇异值算法的推导及其应用

奇异值分解是将一矩阵分解为一个对角矩阵和两个正交矩阵,奇异值分解有着非常好的性质。但在其部分应用中,如秩亏损的最小二乘问题,线性方程组的最小范数解中,并没有充分利用它的所有性质。提出了半奇异值分解A=USR,其中U为正交矩阵,S为对角矩阵,R为上三角矩阵。在经过文中所述的后期数学处理后,它能够非常好地利用在各个方面,比如最小二乘问题和线性方程组中。这种分解不仅保留了奇异值分解后所应有的性质,更大大地降低了计算复杂度。因为该算法有求极值的能力,所以它将在应用领域中发挥更大的作用。     

基于QR分解重构虚拟样本的人脸识别算法

一直以来,小样本问题是人脸识别应用面临的一大难题。针对在实际人脸识别过程中存在的样本不足的问题,首次提出基于QR分解重构虚拟训练样本的算法。该算法使用Q与R的部分信息构造出与原始人脸图像具有一定差异性的虚拟样本,增加了人脸图像更多可能性变化的有效特征,扩大了训练样本集,然后对原始样本和虚拟重构样本协同表示的结果进行加权融合,选取最优权重组合,调整原始样本与虚拟样本对结果的影响比重,得到正确识别率。以ORL、FERET和AR三大人脸数据库对算法进行实验验证。实验结果表明,此算法能够取得较高的识别准确率。     

网络并行计算中矩阵QR分解的并行算法

随着高速网络技术（如ＡＴＭ）的出现,网络并行计算系统（ＮＯＷ）已成为并行处理的主要平台,由于它的高通信延迟,某些在并行机上实现的细粒度并行算法已不适合在该环境下运行。为此,有必要对算法重新进行任务划分,研究它在网络环境中的并行实现。基于这一点,本文对矩阵的ＱＲ分解提出了一种新的任务划分策略,并由此得到了它的一种粗粒度并行算法,实验结果表明,设计的并行算法在网络并行计算环境中具有较高的加速比。     

酉对称矩阵的QR分解及其算法

该文讨论了酉对称矩阵QR分解中Q矩阵和R矩阵与母矩阵的Q矩阵和R矩阵之间的定量关系．从矩阵正交相抵的概念出发,给出了矩阵酉相抵的概念,证明了酉对称矩阵与母矩阵之间的酉相抵性,得到了酉相抵矩阵的Moore—Penrose逆等一些新的结论．同时,给出了酉对称矩阵的QR分解及其Moore—Penrose逆矩阵的算法．     

分块可压缩传感的图像重构模型

可压缩传感或可压缩采样（Compressed Sensing或Compressive Sampling 简称CS）是数据采样同时实现压缩的新理论、新技术。分块CS（Block Compressed Sensing）的图像重构算法采用相同的采样算子以块×块的方式获取图像,解决了现有的CS方法中可压缩采样算子所需存储较大的问题,而且算法中应用线性算子、凸集投影法和Contourlet变换域的硬阈值法进一步优化恢复图像,能更有效捕获图像的复杂结构。实验结果表明分块CS的图像重构算法较现有的其他CS方法实现代价更低,且在相同CS观测数条件下,计算速度几乎相同的同时图像质量提高了3~4 dB。     

基于矩阵QR分解的模糊模型结构分析与简化

研究用矩阵ＱＲ分解分析一类模糊模型的结构,用模糊统计信息判据指导规则的精简,用Ｒ矩阵扩对角线元素分布与模糊规则的关系确定重要规则,冗余或不重要规则,实现模糊模型结构优化。该方法已成功地应用于Ｍａｃｋｅｙ－Ｇｌａｓｓ浑沌系统建模。     

符号矩阵奇异值的计算机分解与广义逆计算

本文从符号计算(计算机代数)的观点,对数值矩阵计算理论中传统的奇异值分解算法及其相关的广义逆矩阵计算方法加以改进,使之适于处理符号矩阵且在计算机上实现.并指出其在矩阵理论及线性问题求解中的某些应用,还给出了一个有趣的物理实例.     

基于瓦片算法的并行 QR 分解及其实现

本文介绍了一种基于瓦片算法的稠密矩阵并行 QR 分解及其实现方法。瓦片算法的思想是将完整的矩阵分块,并使每个块内的数据连续存储。各个瓦片块先独立进行分解,其他块接收当前块分解产生的数据,来更新自身块内的矩阵。我们分别实现了串行瓦片算法和并行瓦片算法,采用基于 MPI 和 OpenMP 混合并行编程模型,在“元”超级计算机上验证了该并行算法,并与 PLASMA 软件包进行对比,程序效率和可扩展性优于 PLASMA。 在多个节点上运行时,展现了良好的扩展性。     

基于QR分解的正则化邻域保持嵌入算法

针对训练样本不足时,对数据的低维子空间估计可能会产生严重偏差的问题,提出了一种基于QR分解的正则化邻域保持嵌入算法。首先,该算法定义一个局部拉普拉斯矩阵保留原始数据的局部结构;其次,将类内散度矩阵的特征谱空间划分成三个子空间,通过倒数谱模型定义的权值函数获得新的特征向量空间,进而对高维数据进行预处理;最后,定义一个邻域保持邻接矩阵,利用QR分解获得的投影矩阵和最近邻分类器进行人脸分类。与正则化广义局部保持投影(RGDLPP)算法相比,所提算法在ORL、Yale、FERET和PIE库上识别率分别提高了2个百分点、1.5个百分点、1.5个百分点和2个百分点。实验结果表明,所提算法易于实现,在小样本(SSS)下有较高的识别率。     

广义行（列）对称矩阵的QR分解及其算法

对广义行（列）对称矩阵的QR分解和性质进行了研究,给出了广义行（列）对称矩阵的QR分解的公式和快速算法,它们可有效减少广义行（列）对称矩阵的QR分解的计算量与存储量,并且不会丧失数值精度。同时讨论了系统参数估计,推广和丰富了两文（邹红星,王殿军,戴琼海,等.行(或列)对称矩阵的QR分解.中国科学：A辑,2002,32(9):842-849;蔺小林,蒋耀林.酉对称矩阵的QR分解及其算法.计算机学报,2005,28(5):817-822）的研究内容,拓宽了实际应用领域的范围, 并修正了后者的错误。     

压缩感知中高斯矩阵的优化研究

为了优化高斯矩阵,对部分哈达玛矩阵与高斯矩阵的统计学参数作了对比分析,确定了导致部分哈达玛矩阵信号重构能力好的主要因素,并提出了高斯矩阵优化算法.验证了优化算法对不同规模高斯矩阵的通用性和有效性,确定了优化矩阵对各种稀疏信号重构算法的适用性.最后对优化矩阵的性能作了初步的理论和实验分析,优化矩阵的信号重构能力可达到、甚至超过哈达玛矩阵.研究成果为测量矩阵的分析、设计和优化提供了新的思路和方法.     

用稀疏相似性度量求解压缩传感矩阵

提出一种用稀疏相似性度量求解压缩传感矩阵的方法,并将其应用在图像重建和识别领域中.首先构造一种稀疏相似性度量,然后将其嵌入到传感矩阵的模糊代价函数中,最终传感矩阵的原子更新按照模糊方式进行计算.用该方法优化后的观测矩阵与字典矩阵之间保持了低相干性,并且样本的稀疏信号在相同重构条件下具备了更优的测量数目和质量.在ORL和FERET人脸数据库及91幅自然图像库上的实验结果验证了该算法的有效性.     

使用二分图邻接矩阵的压缩传感图像快速重建

针对压缩传感中高维投影计算采用稀疏性较差的普通随机测量矩阵,从而导致计算复杂度高,重构性能不佳这一难题,提出一种基于二分图邻接矩阵的压缩传感图像快速重建算法。该算法在满足测量矩阵的RIP条件下,充分利用二分图邻接矩阵的稀疏性与二值性,将时间复杂度由传统算法的O(N·logN)降低至O(N)。实验结果表明,算法在保证图像重构质量情况下大大提高了运算性能,尤其对于色彩(灰度)变化平缓图像,该算法性能更加优越。     

低存储化压缩感知

目的 非相关观测是压缩感知(CS)理论中的关键因素。高斯随机矩阵作为一种普适的CS非相关观测矩阵,在压缩感知中得到广泛的研究与应用。但在实际应用中,却存在实际内存占用较多,不适应大规模应用的问题。为寻求降低随机观测矩阵所需的存储空间,提出一种基于半张量积的压缩感知方法,利用该方法可以成倍地降低观测矩阵所需的存储空间。方法 该方法利用半张量积理论,构建降维随机观测矩阵,实现对原始信号的随机观测,并采用l^q(0< q< 1)范数的迭代重加权最小二乘法进行重构,从而得到稀疏信号的估计值。结果 仿真实验分别采用1维稀疏信号和2维图像信号进行了测试,并从重构概率、迭代收敛速度、重构信号的峰值信噪比等角度进行了测试和比较。通过不同大小的随机观测矩阵比较验证表明,采用降维后观测矩阵进行采样和重构,其重构信号质量并没有明显下降,但其观测矩阵所需的存储空间却可大大降低,如降低为通常的1/4,1/16,甚至更低。结论 本文压缩感知方法,可以大大降低观测矩阵所需的存储空间,同时有效降低数据运算复杂度以及内存占用率,有助于压缩感知的应用。     

基于图像传感器的上下文快速压缩感知算法

针对快速压缩感知算法在目标被遮挡、光照变化较大时存在跟踪不稳定的问题,提出了基于图像传感器的上下文快速压缩感知跟踪（ FCT）算法。新算法首先在Haar-like特征中引入时空上下文特征,通过目标周围的空间信息和时间上的递推关系协助估计目标的位置。通过改进的随机测量矩阵同时提取目标的纹理特征和灰度特征,加强了特征的稳定性,提高跟踪的准确性。通过方差分类器预判定候选样本,减少判定的次数,并减少错误的候选样本。改进的FCT算法对光照、旋转、尺度缩放都有良好的不变性,且不易发生跟踪漂移。实验证明：改进的FCT算法优于压缩感知跟踪（ CT）算法和FCT算法。     

一种适用于图像信号的压缩感知测量矩阵

矿井无人工作区监控图像信息量较大,在图像的传输、存储阶段对硬件性能要求较高,造成传感器节点耗能增大、寿命骤减等问题,目前Gause、Bernoulli等压缩感知测量矩阵在重建矿井监控图像信号时精度较低。针对上述问题,设计了一种新的基于帕斯卡矩阵的块状压缩感知测量(BPCSM)矩阵。BPCSM矩阵利用时域非均匀采样与分块思想,将多个相同的小尺寸帕斯卡矩阵以对角线方式排列,同时结合联合正交匹配追踪算法实现矿井监控图像信号的压缩采样与重建,利用帕斯卡矩阵行元素有序排列的特点加强对图像信号低频段的采样,提高重建精度。实验结果表明:BPCSM矩阵对矿井监控图像信号的重建精度远高于Gause、Bernoulli等常用测量矩阵,当采样率为0.3时,基于BPCSM矩阵重建的矿工图像的峰值信噪比(PSNR)约为26 dB,矿工面部轮廓较为清晰;当采样率为0.5时,基于BPCSM矩阵重建的矿工图像的PSNR已达30 dB,几乎可以恢复矿工图像的全部细节,表明BPCSM矩阵具有较好的重建性能;通过选择合适的帕斯卡矩阵尺寸能够进一步提高图像信号的重建性能,满足矿井环境应用要求。     

基于分离字典构造的快速压缩感知重构算法

针对当前压缩感知重构算法存在重构质量偏低、重构时间过长等问题,提出了基于矩阵流形分离字典构造的分块压缩感知重构算法。首先,该算法基于矩阵流形模型训练出可分离稀疏表示矩阵,并对其正交化;其次,构造随机测量矩阵,并利用矩阵运算将其与得到的稀疏表示矩阵进行结合,进而构造出一组分离字典;最后,将该字典用于信号压缩感知中,并通过线性运算实现信号的快速重构。实验结果表明,与当前主流的压缩感知重构算法相比,所提算法在重构精度以及重构时间上都具有一定提升,并在对实时性要求高的领域中具有很好的应用价值。     

Implementing QR factorization updating algorithms on GPUs

Linear least squares problems are commonly solved by QR factorization. When multiple solutions need to be computed with only minor changes in the underlying data, knowledge of the difference between the old data set and the new can be used to update an existing factorization at reduced computational cost. We investigate the viability of implementing QR updating algorithms on GPUs and demonstrate that GPU-based updating for removing columns achieves speed-ups of up to 13.5× compared with full GPU QR factorization. We characterize the conditions under which other types of updates also achieve speed-ups.     

改进的迭代重加权最小二乘非凸压缩感知算法

非线性重构算法是压缩感知的三个主要研究内容之一。在详细分析了现有的迭代重加权最小二乘[?p]优化方法的基础上,提出改进的迭代重加权最小二乘[?p]范数最小化非凸压缩感知优化算法。实验结果表明,改进的算法拥有更高的成功重建百分比和重建速度,在同样稀疏度的情况下可以大大减少所需的测量次数,对于压缩感知的重建算法研究以及实际应用都具有重要的意义。     

基于压缩感知的多尺度绝缘子跟踪算法

针对多旋翼无人机(UAV)在电力巡检中的绝缘子跟踪问题,提出一种尺度自适应的绝缘子跟踪算法,采用稀疏投影的方式对原始图像特征进行降维,使用朴素贝叶斯分类器进行二分类,改进传统压缩感知(CS)跟踪搜索框固定问题,利用绝缘子的Lab空间特性进行分割,根据分割结果中绝缘子有效像素所占比例来改变搜索框的尺度,实现跟踪中的尺度自适应.实验结果表明:该算法能够在实验室和野外环境下自适应绝缘子尺度变化,对未来电力巡检智能化具有重大意义.