自适应奇异值分解瞬变信号检测研究

该文介绍了奇异值分解检测信号的原理,研究了井下电磁脉冲数据传输中接收到的瞬变信号和噪声的奇异值分布特性,提出了相邻奇异值增量的概念,并根据瞬变信号和噪声相邻奇异值增量的不同,区分信号与噪声。在此基础上,提出了自适应选择主奇异值个数的奇异值分解检测瞬变信号的方法,并给出该方法检测瞬变信号的具体流程。仿真结果表明,与传统奇异值分解相比,该方法检测微弱瞬变信号更准确。     

基于奇异值分解的图像匹配方法

传统的图像匹配方法中, 由于实时图和参考图之间存在着灰度差异和几何形变,仅用灰度作为特征进行匹配算法的性能很容易受到影响。文中提出了一种基于奇异值分解的图像匹配方法。该方法首先利用奇异值分解方法,求出模板图像矩阵的奇异值及奇异值向量,用它们作为模板图像的特征代替传统算法中的灰度对两幅待匹配图像进行全局搜索定位。由于奇异分解方法所特有的优越性,匹配实验取得了良好效果。实验结果验证了该方法的有效性。     

修正的奇异值分解并行实现

本文综述了有关修正的奇异值分解的算法和Systolic阵列实现的一些最新结果,讨论了普通奇异值分解(OSVD)、积奇异值分解(PSVD)和商奇异值分解(QSVD)。修正算法是指交叉使用QR更新和三角约化Jacobi SVD算法,在其每步计算中采用有限次操作(O(n~2)),由前一次近似分解结果计算新的近似分解。这些算法与指数加权相结合,显然对跟踪问题极为适用,而且只要对熟知的矩阵何量积、QR更新和SVD的Systo1ic阵列稍加修改,就能把它们完美地映射到Systolic阵列上去。     

基于奇异值分解的图像降噪方法

由于奇异值分解可以有效地提取图像的主要特征,为了提高算法的鲁棒性,通过将矩阵的奇异值分解引入振幅-相位恢复算法,提出了基于奇异值分解的抗噪声多强度相位恢复算法。首先,将奇异值分解引入振幅-相位恢复算法,在振幅-相位恢复算法取平均值之后,对恢复的图像进行奇异值分解,奇异值较小的分量认为是噪声,保留奇异值较大的分量,将奇异值较小的分量置为0。其次,通过数值模拟实验可以看出,通过奇异值分解,不仅可以去除测量过程中所引入的噪声,而且还可以充分利用自然图像稀疏的特性,加快振幅-相位恢复算法的收敛,且具有更少的算法运行时间。     

基于奇异值分解的图像去噪

提出了利用奇异值分解去除图像噪声的方法。从矩阵的角度出发,通过对图像矩阵进行奇异值分解,将包含图像信息的矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过有效奇异值重构图像矩阵达到去噪目的。试验利用MATLAB通过对MRI(核磁共振)医学图像进行去噪处理,验证了奇异值分解的去噪效果,并且通过对多幅图像的试验结果进行分析,得到了去噪重构图像时所需有效奇异值数目的统计值。     

基于奇异值分解的多卫星信号盲检测

针对非合作低信噪比环境下的卫星通信信号检测问题,在信号子空间维数估计的基础上,提出了一种基于奇异值分解的多卫星信号盲检测方法。该方法充分利用奇异值与特征值之间的关系,设计检测统计量将多个信号能量集中起来进行考虑,以适应更低的信噪比,并从理论上对检测性能进行了推导分析。仿真结果表明,该方法简单高效,针对不同的卫星信号,在虚警概率小于1%、信噪比为-11 dB时,盲检测概率均可达90%以上;同时能够在低信噪比环境下适应多信号环境,且其计算量相对特征值方法减少了一个数量级,更适合应用在星载设备上。     

奇异值分解方法在医学信号处理中的应用—胎儿心电的检测

奇异值分解已用于从孕妇皮肤测量信号中提取胎儿心电信号。本文着重探索一种在路径并不正交的条件下提取不含母亲心电的胎儿心电的新方法。对工作原理和硬件实现作了简单的介绍。消除了在记录心电图中常遇到的50Hz干扰问题。通过大量实验,确定了可供选择的电极位置。     

基于奇异值分解的数字图像水印方法

随着计算机和网络技术的飞速发展,数字图像、音频和视频产品愈来愈需要一种有效的版权保护方法,另外通信系统在网络环境下的信息安全问题也日益显露出来.数字图像水印技术为上述问题提供了一个潜在的解决方案.所谓水印技术就是将数字、序列号、文字、图像标志等版权信息嵌入到多媒体数据中,以起到版权保护、秘密通信、数据文件的真伪鉴别和产品标志等作用.本文提出了一种新的基于奇异值分解的数字水印算法并且对该方法的理论基础给出分析.实验结果表明这种方法要比目前提出的流行算法鲁棒.     

基于奇异值分解的快速直线提取方法

矩阵的奇异值分解能够反映矩阵数据的分布特征.利用数字图像中直线的结构特征,定义了近垂直直线基元和近水平直线基元,根据基元结构对边缘检测和细化后得到的线段进行扫描,将近似共线的点分别归入到若干个直线支撑点集合.对每个直线支撑点集合进行奇异值分解,利用得到的特征向量计算出其对应的Hough参数空间投票单元,实现对线段层次上...     

MOADA-SVR：一种基于支持向量回归的多元在线异常检测方法

网络异常检测对于保证网络稳定高效运行极为重要。基于主成分分析的全网络异常检测方法虽然具有很好的检测性能,但无法满足在线检测的要求。为了解决此问题,引入流量矩阵模型,利用支持向量回归及其支持向量解的在线稀疏化方法建立流量的一种常态模型,提出了一种基于支持向量回归的多元在线异常检测算法MOADA-SVR。理论分析和因特网实测数据分析表明,该算法与主成分分析算法相比具有类似的检测效果,但具有更低的存储和计算开销。     

一种改进的奇异值分解语音增强方法

该文将多麦克语音增强方法用于单麦克语音增强,给出了一种改进的奇异值分解语音增强方法。该方法首先对输入矩阵进行雅克比奇异值分解,用得到的奇异值矢量构造语音增强滤波器;然后用输入矩阵与滤波器权矢量相乘来构造各路信号;最后采用麦克风阵列波束形成的方法,得到增强后的语音信号。仿真结果表明,该方法能有效地去除加性噪声,并且改善了语音质量。     

一种基于小波变换与奇异分解的图像水印算法

提出一种基于离散小波变换(Discrete Wavelet Transform,DWT)与奇异值分解(Singular Value Decomposition,SVD)相结合的数字水印算法。该算法将原始图像的小波子图进行奇异值分解,将灰度水印图像进行Arnold变换以及扰乱加密,再进行分块离散余弦变换(Discrete Cosine Transform,DCT),将变换后的系数分类嵌入到相应的奇异值中。实验仿真表明,这种方法能抗大多数图像处理攻击,具有良好的鲁棒性。     

基于SVD的高频地波雷达干扰与杂波抑除算法

该文针对高频地波雷达探海工作期间高频干扰严重海杂波强的特点,干扰抑制时引入海杂波约束条件,对自适应阵列波束形成方法进行了改进,防止干扰抑制后回波中一阶海杂波时域相关特性发生破坏而在频谱上虚假展宽。然后,使用干扰抑制结果构造时域采样矩阵,由奇异值分解(SVD)方法获得积累期间一阶海杂波频率的变化历程,通过矩阵特征分析将一阶海杂波滤除。最后,使用OSMAR2000实测数据检验了本文算法的有效性。     

Shearlet变换和奇异值分解的图像隐藏方法

为了更好地平衡Shearlet域图像隐藏不可见性、鲁棒性和算法时间复杂度之间的关系,提出了一种基于Shearlet变换和奇异值分解的图像隐藏方法。利用Shearlet变换的能量聚集性、小波包分解低频子带抗攻击性强和矩阵奇异值良好的稳定性,载体图像先进行Shearlet分解,得到的低频子带再进行二级小波包分解。将秘密图像的重要信息位平面隐藏到小波包分解低频系数的奇异值矩阵中,次要信息嵌入Shearlet高频子带中。实验表明,该算法对高斯噪声、滤波和剪切等攻击都有较好的鲁棒性,同时,不可见性较好,时间复杂度较低。     

多功能双水印算法

该文针对单水印算法往往存在功能单一的问题,利用奇异值的稳定性,提出一种多功能双水印算法。先在图像分块的奇异值上嵌入鲁棒水印,然后在含鲁棒水印图像的空域LSB嵌入脆弱水印,并设计了判别恶意篡改和无意篡改的准则。实验不仅考察鲁棒水印抵抗攻击的鲁棒性,而且还考察脆弱水印对鲁棒性的影响和篡改检测与定位的能力。实验结果表明：鲁棒水印具备很强的抗攻击鲁棒性;脆弱水印对篡改敏感,而且篡改定位精确。因此算法具备版权保护和内容认证双重功能。     

一种基于奇异值分解的解相干算法

该文针对稀疏重构解相干问题,利用接收数据厅奇导值分解(SVD)后的大特征值对应的特征矢量,提出一种改进解相干方法。该方法通过迭代这一特征矢量来重构角度,无需知道信号源的数目,即可准确重构角度信息,实现解相干。相对于经典SVD算法,所提算法运算速度更快,稀疏重构效果更优。理论分析和仿真结果都验证了算法的良好性能。     

基于网络模块化结构的异常发现

 该文针对大规模高速网络海量数据和异常检测率较低的问题,将复杂网络的模块概念引入网络异常检测领域,化网络检测为数个网络模块检测的综合。首先通过建立网络划分策略与网络检测率关系模型,理论地证明按照网络本身所具有的模块结构划分网络有利于网络总体的检测。其次在真实网络采集的数据集上用并行处理技术进行实验,结果表明基于网络模块的检测比基于网络的检测能提供更加准确和高效的检测结果。     

一种基于局部结构的改进奇异值分解推荐算法

基于奇异值分解(Singular Value Decomposition, SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用.针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化 SVD 推荐算法.在 MovieLens 和 Netflix 数据集合上的实验结果表明:与经典 SVD 算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于 SVD++,在训练时间上具有显著优势.     

基于多普勒域多通道的机载合成孔径雷达自聚焦算法

在多通道自聚焦(MCA)和傅里叶域多通道自聚焦(FMCA)的基础上,该文提出一种基于多普勒域多通道的机载合成孔径雷达自聚焦算法。该算法同样是直接在线性代数的理论框架下推导得到,能够在不迭代的情况下进行相位误差的估计和补偿以实现SAR图像的聚焦。该算法不像MCA和FMCA那样在图像域估计相位误差,而是在距离压缩方位多普勒域(方位未压缩)里进行相位误差估计。同时该算法不需要SAR成像场景中含有低散射区的假设,从而使其能够应用于条带模式SAR。不同情况下条带SAR数据的处理结果验证了该算法的有效性和可行性。