MRSVD敏感分量在单频周跳探测修复中的应用

准确探测微小周跳历元是周跳修复的关键,精准修复周跳是高质量北斗卫星导航系统（BeiDou Navigation Satellite System,BDS）定位的难点,为此提出一种基于多分辨奇异值分解（Multi-Resolution Singular Value decomposition,MRSVD）的敏感分量预测模型,用于周跳探测与修复。该方法对探测信号构造Hankle矩阵,并对其进行MRSVD分析,得到一组具有不同分辨率的分量信号。然后对分量信号进行敏感因子评估分析,选取包含周跳特征的分量,构成敏感特征向量,凸显信号的周跳信息,进而通过模极大值谱精准检测出信号中奇异点的位置,实现对微小周跳的准确探测。以筛选出的MRSVD敏感特征向量为基础,构建最小二乘支持向量机（Least Square Support Vector Machine,LS-SVM）预测模型,进行周跳修复。实验结果表明,该方法能够对载波相位中出现的微小周跳进行准确探测与修复,证明了该方法的可行性和有效性。     

基于奇异值分解的方向估计改进方法

基于相位匹配原理的奇异值分解法(Singular value decomposition based on signal phase matching,SVDSPM)的波达方向估计的均方根误差在高信噪比下无法逼近克拉美罗界,针对该问题提出了基于相位匹配原理的修正奇异值分解法(Modified singular value decomposition based on signal phase matching,MSVDSPM)。该方法将阵列接收信号转换到频域,取相位匹配后各阵元中心频点频谱与其均值差值的距离平方和的倒数作为方向估计算子。仿真表明MSVDSPM方向估计的均方根误差可以在高信噪比下逼近克拉美罗界。MSVDSPM保持了SVDSPM在单源入射时的尖锐谱峰,它等价于常规波束形成方法,并且其主瓣宽度与分析频率无关。     

一种基于奇异值分解的图像压缩方法

根据奇异值分解的基本原理及其特点,结合图像的矩阵结构,提出了用奇异值分解,然后选取部分奇异值和奇异向量重构矩阵进行图像压缩的方法,并通过对图像进行分块降低计算量,实验结果表明奇异值分解能够有效用于图像压缩。     

基于小波和奇异值分解的人脸识别方法

该文提出了一种基于小波和奇异值分解的人脸识别方法。首先对人脸图象进行小波分解,由于小波变换具有良好的多尺度特征表达能力,能将图象的大部分能量集中到低频子图中,使图象得到有效压缩。然后,对得到的每幅低频子图进行基于奇异值分解的特征提取,并将奇异值特征向量进行压缩,把压缩后的特征向量作为每幅人脸图象的特征,进而求出每一类人脸图象的特征向量中心。最后,将每一类的特征向量中心输入到分类器中进行识别。最终得到了令人满意的识别结果。     

基于奇异值分解的递推辨识方法

本文提出一种基于奇异值分解的递推最小二乘辨识新方法，该方法不仅在很好的收敛性和数值稳定性，而且在系统的输入信号不满足持续激励的充分必要条件下，仍能得到系统参数的无偏估计，仿真计算结果证明了本方法的有效性和优越性。     

基于张量奇异值分解的人脸识别方法

在人脸识别领域应用张量奇异值分解( TSVD)来进行人脸特征的表示和提取,克服了过去的提取方法,如主成分分析法( PCA)等过于依赖拍摄条件的缺点。 TSVD将数据转换成三维线性模型,所以能避免二维线性方法中条件改变则精确度下降的问题,使得识别算法在变化的条件下获得了相对稳定的结果。在此基础上对算法进行了优化,利用矩阵分解,在不影响算法正确率的情况下,有效减少计算量,提高算法效率。基于Matlab对该算法进行了四组实验,并将结果与用PCA方法得到的结果对比,验证了该识别算法在变化条件下显著的正确性以及稳定性;同时,对优化的TSVD算法进行了实验验证,在数据量较大的情况下,该算法速度明显提高。     

一种基于奇异值分解的数字水印算法

数字水印的出现为版权保护提供了一种新的解决途径。提出了基于奇异值分解(Singular Valuc Dccomposition)的数字水印算法。图像奇异值分解(SVD)有以下性质：分解后图像矩阵的奇异值集中反映了图像的“亮度”(能量)特性，而对应的奇异矩阵只反映了图像的“几何”特性。因而奇异值的细微变化不会影响图像的视觉效果。对图像分块并做奇异值分解，在奇异值域做数学变换以嵌入lbit的二值水印信息。该算法不同于别的算法的一个优点是：水印的提取是“盲提取”，即水印的提取不需要原图像参与。     

基于奇异值分解的彩色图像数字水印算法

提出了一种基于奇异值分解的彩色图像数字水印算法,嵌入和提取水印均在RGB分量的空间域内进行。仿真结果表明,该算法不仅对几何失真具有很强的抵抗能力,而且对添加噪声、滤波及JPEG压缩也具有良好的鲁棒性。     

基于奇异值分解的飞行数据降噪方法

为了消除或减少飞行数据中的有害噪声,提高信息利用率,提出基于奇异值分解的飞行数据降噪方法。将奇异值分解滤波器应用于机载装备状态记录数据的消噪处理中,得到一种新的门限确定方法,推导出滤波门限与信噪比间的数学关系。实验结果表明,该降噪方法效果显著,所确定门限值合理有效。     

基于奇异值分解的固定区间平滑新方法*

本文提出一种基于奇异值分解（ＳＶＤ）的固定区间平滑新方法，该方法基于Ｒａｕｃｈ－Ｔｕｎｇ－Ｓｔｒｉｅｂｅｌ固定区间平滑方法，利用奇异值分解作为计算工具，将原算法中协方差阵进行奇异值分解，不仅具有很好的数值稳定性和鲁棒性，而且避免了矩阵的求逆，此外，采用ＳＶＤ分解，具有明显的物理意义。仿真计算结果证明了本文方法的有效性和优越性。     

The QIF Singular Value Decomposition Method

In this paper, the well known singular value decomposition (SDV) method is extended to explicit (2 2 2) block form, by using the Quadrant Interlocking Factorisation (QIF) method. Numerical results are presented to portray the validity of the proposed method.     

基于敏感Native API的恶意软件检测方法

分析恶意软件传播与破坏的行为特征,包括进程、特权、内存操作、注册表、文件和网络等行为。这些行为通过调用相应的API函数来实现,为此,提出一种基于敏感Native API调用频率的恶意软件检测方法,采用Xen进行二次开发,设计对恶意软件透明的分析监测环境。实验结果表明,使用敏感Native API调用频率能够有效地检测多种未知恶意软件。     

基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度 场内奇异值分解相结合的边缘检测方法。首先在图像预处理阶段,为了提取准确的边缘特征, 文中利用小波变换的时频局部化特性,对图像进行小波变换。该文对用小波求取的梯度场使用 局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出 并且能够达到抑制噪声的目的。实验证明该文方法既能在无噪声影响的图像中提取出清晰完整 的单边缘,又能在有噪声干扰的情况下提取出理想的边缘。     

基于自适应四元数奇异值分解的图像拼接检测

图像拼接将来源不同的图像合并成一幅图,由此引起图像中光照方向、噪声等特性出现不一致的情况。目前多数方法根据拼接图像中噪声的不一致性来检测伪造区域,但是普遍对不同大小图像块的噪声估计准确性不高,导致真阳性率较低,且当噪声差异较小时会检测失败。针对该问题,提出一种基于自适应四元数奇异值分解（QSVD）的噪声估计方法。对图像进行超像素分割,利用自适应QSVD估计超像素的噪声,结合图像亮度并利用多项式拟合建立图像噪声-亮度函数,得到各超像素到该函数曲线的最小距离测度。为提高检测精确率,利用色温估计算法提取超像素的色温特征,将距离测度与色温特征相融合作为最终的特征向量,利用FCM模糊聚类定位拼接区域。在Columbia IPDED拼接图像数据集上进行实验,结果表明,该方法在未经后处理图像集上的检测TPR值较对比方法至少提升8.21个百分点,且对高斯模糊、JPEG压缩和伽马校正表现出较好的鲁棒性。     

基于奇异值分解的可分离压缩成像方法

可分离压缩传感可以通过一定比例的额外测量有效地解决压缩成像问题中面临的测量矩阵维数过大的瓶颈. 但是现有可分离压缩传感(separable compressive sensing, SCS)方法需要2个可分离的测量矩阵都必须是行归一化后的正交随机矩阵,其显著地限制了该方法的应用范围. 将奇异值分解(singular value decomposition, SVD)方法引入可分离可压缩传感测量过程,可以有效地实现测量矩阵和重建矩阵的分离：在感知阶段可以更多地考虑测量矩阵物理易于实现的性质,如Toeplitz或Circulant等确定性结构的矩阵;在重建阶段,更多地考虑测量矩阵的优化.通过引入奇异值分解对重建阶段的测量矩阵进行优化,可以有效地改善重建性能,尤其是Toeplitz或Circulant矩阵在大尺度图像的压缩重建情形.数值实验结果验证了该方法的有效性.     

基于分解的三维Otsu运动车辆检测方法

在户外交通环境下,采用传统目标检测方法容易产生大量噪声,传统三维最大类间方差(Otsu)方法能消除噪声,但是不能满足实时性。为此,提出一种基于分解的三维Otsu运动车辆检测方法。通过隔帧对称差分法得到2个差分图像,对这2个差分图像采用基于分解的三维Otsu法进行阈值分割,对这2个二值图像在使用数学形态学滤波后,求交集得到运动车辆目标。实验结果表明,该方法在视频帧出现不规则抖动的情况下,能实时和精确地检测出运动车辆。     

基于奇异值分解和支持向量机的人脸检测

人脸检测在自动人脸鉴别工作中具有重要的意义。由于人脸图像特征的复杂性和多样性，使得人脸模式分类器的训练十分困难。本文提出了一种基于支持向量机（SVM）的人脸检测算法，使用了奇异值分解对训练样本进行特征提取，再由SVM分类器进行分类，有效的降低了训练难度，采用二阶多项式作为SVM分类器的核函数，实验结果表明，该方法是十分有效的。     

基于图像纹理复杂度和奇异值分解的重采样检测

针对图像篡改时可能会经历重采样操作,而重采样过程中的插值步骤会对重采样图像像素引入一定的线性相关性的问题,提出一种重采样检测算法.采用奇异值分解度量像素间的线性相关性,针对纹理复杂程度不同的子像素块分析插值处理对其线性相关性的影响;以零奇异值个数和奇异值均值作为分类特征,结合SVM进行重采样检测.实验结果表明,该算法能够实现对重采样图像和原始图像的准确分类.