改进的子空间语音增强算法

单通道子空间语音增强算法在加性噪声为白噪声的情况下,效果比较理想.加性噪声为有色噪声的情况下,通常用广义奇异值分解算法来进行处理.为了降低低信噪比情况下残留的音乐噪声,结合人耳的听觉掩蔽效应,提出了一种基于感官抑制的广义奇异值分解算法.实验结果显示,该算法能够明显地提高语音质量、可懂度和识别率,特别是在加性噪声是有色噪声的情况下实验结果明显优于其他的语音增强算法.     

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。     

基于改进的局部保持投影算法的人脸识别

局部保持投影算法是基于流形的学习方法,在人脸识别过程中容易遇到奇异值问题,为此提出一种利用奇异值分解的方法。在模型中,样本数据被投影到一个非奇异正交矩阵中,解决了奇异值问题;然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中,再利用最近邻分类器进行分类识别。在ORL人脸数据库中,采用了一系列的实验来对比该算法与传统局部保持投影算法和主成分分析算法的识别效果。实验结果验证了改进的局部保持投影算法在人脸识别的有效性。     

面向Web文档分类的张量最大间隔投影

为了有效地解决传统的基于向量表示的文档维数降维算法存在的维数灾难和奇异值问题,提出了基于张量最大间隔投影的Web文档分类算法,该算法能够在维数降维的过程中充分利用文档的结构和关联信息来提高算法的分类鉴别能力,在WebKB和20NG数据集上的实验结果表明该算法优于其他常用的的文档分类算法。     

基于奇异值分解的Contourlet域稳健性数字水印算法*

提出了一种基于奇异值分解的Contourlet域数字水印算法。对置乱后的水印图像进行奇异值分解,在Contourlet域中选取合适的方向子带,利用得到的奇异值来调制系数矩阵,然后通过逆变换获取嵌入水印后的图像。在水印提取中只需要保存原始图像的奇异值,实现了水印的近似盲提取。最后,进行了一系列的攻击实验,证明了与传统小波域水印算法相比,该算法的不可见性和鲁棒性都有了较大的提高。     

基于Contourlet变换和奇异值分解的图像零水印算法

提出一种基于Contourlet变换和奇异值分解的数字图像零水印算法。原始图像经过Contourlet变换后,分解为一系列多尺度、局部化、方向性的子带图像,选择对低频子带进行分块奇异值分解,然后根据每块中第一个奇异值的大小特性“嵌入”和“提取”水印。实验结果表明,该图像水印算法能够较好地抵抗JPEG有损压缩、叠加噪声、剪裁等攻击,具有较强的鲁棒性和不可见性,提高了水印识别的可靠性。     

在协同过滤中结合奇异值分解与最近邻方法

协同过滤是一种减小信息过载的常用方法,但是它有三方面的限制,即准确性、数据稀疏性和可扩展性。提出一种新的协同过滤算法来解决数据稀疏性的问题,利用奇异值分解法的结果来进行邻居选择,然后采用最近邻方法来得到未打分项目的预测值。在EachMovie 数据库集上的试验结果表明该算法在数据稀疏时算法的准确性超过普通的Pearson算法和奇异值分解算法。     

基于奇异值分解的量化水印盲检算法

提出了一种基于奇异值分解的量化水印盲检算法.利用图像矩阵的奇异值稳定性好且最大奇异值远远大于其他奇异值的特点,首先时分块图像最大奇异值进行量化,再结合其奇偶性将二值水印嵌入量化后的奇异值中.实验结果表明,水印算法在满足较好的不可见性和较强的鲁棒性的同时;还可实现水印的盲提取.     

基于图像奇异值的脆弱水印方案

针对精确定位型脆弱水印算法的安全性问题,提出一种基于图像奇异值的脆弱水印方案。该方案选取与图像内容密切相关的图像奇异值作为水印,用混沌系统对其加密来增强水印的安全性。认证时通过水印差值定位图像被篡改的位置,通过奇异值差值反映被篡改区域的篡改强度。实验仿真结果表明该算法不仅提高了精确定位型水印算法的安全性,而且还可以估计出被篡改区域的篡改强度。     

基于HVS和奇异值分解的图像质量评价

传统的图像质量评价算法以像素值的为基础,需要保证参考图像是存在而且完整.其实图像本身是具有结构性的,仅仅以像素比较来评判图像差异,是扩大了图像质量评价的含义.为了解决这些问题,研究了奇异值向量对于图像结构的表征能力,并充分分析人类视觉系统(HVS)的亮度、纹理、边缘等特性,给出相应的视觉特性计算模型,从而提出了一种基于人眼视觉系统和奇异值分解相结合的图像质量评价方法(BHSVD),该算法相比较其他一些客观算法具有更好的效果.     

一种改进的基于W-SVD的水印算法

在水印算法中用奇异值分解可以提高图像的抗几何失真性,但它对椒盐、高斯、滤波等攻击的抵抗能力却很弱.对原有的基于SVD的水印算法进行改进,提出基于W-SVD的水印算法,即在小波分解的基础上进行奇异值分解.实验证明,改进后的水印算法在保持强的抗几何失真性的同时对椒盐、高斯、滤波等攻击的鲁棒性也有提高.     

基于张量奇异值分解的动态核磁共振图像重建

本文为了改善动态MR图像重建质量,提出了一种结合张量奇异值分解和全变分稀疏模型(TV)的动态核磁共振图像重建算法。算法对动态MR图像进行了低秩约束规范和稀疏约束规范,分别使用了张量奇异值分解阈值方法和全变分稀疏变化基方法求解。实验结果和重建视觉效果表明,在相同采样率下本文算法与单独使用全变分方法,k-t SLR方法,单独使用张量奇异值分解方法相比重建质量更优,在峰值信噪比(PSNR),均方差(MSE)和结构相似性度量(SSIM)的评价指标上有所提高,对图像去噪去模糊重建有具体的应用价值。     

SVD特征的快速景像匹配方法

采用具有良好稳定性和旋转不变性的奇异值作为匹配特征，根据奇异值的数值特点提出以加权距离作为相似性的度量；采用变模板分级匹配的策略，使得在进行大模板匹配时的匹配运算量大大降低．通过加入噪声、灰度变化和旋转变化的景像匹配实验，证实了该算法的有效性和鲁棒性.     

用于两相流电容层析成像系统中的图像重建算法

图像重建算法研究和增加投影数据是改善图像重建质量的两个重要方面。由于目前在ECT系统中存在着一种基于奇异值分解（SVD）的图像重建算法,此算法中的奇异值将对应图像重建矩阵中很大的对角线元素,从而导致伪逆很不稳定。因而讨论了改进的基于奇异值分解（MSVD）的图像重建算法,该算法是用改进奇异值分解方法求出图像重建矩阵。仿真及实验结果均表明该算法是一种实时的、重建图像质量优于SVD。     

一种新的英文文本检索算法

提出一种新的英文文本检索算法,该算法将英文文本映射为26阶频率矩阵,然后通过奇异值分解,对文本表示空间进行降维处理,并融合第一奇异值分量和第二奇异值分量的特征,得到既反映字母统计频率,又反映文本字符间顺序结构的复特征向量,最后利用向量间余弦相似度作为文本检索的相似度度量。数据对比表明,算法取得了较好的实验效果,且在检索准确率和运算效率上优于经典的LSA算法。     

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。     

最大奇异值移位的鲁棒图像信息隐藏

为了提高图像信息隐藏的鲁棒性和不可感知性,提出了一种基于图像块最大奇异值移位的鲁棒信息隐藏算法.算法首先对图像分块并对每个图像块进行奇异值分解,根据图像块最大奇异值的大小选择合适的阈值,并对图像块的最大奇异值进行区间划分,通过将最大奇异值移位到与秘密信息比特相对应的区间实现秘密信息的嵌入.实验结果表明,该算法具有较大的嵌入容量,且在嵌入相同大小的秘密信息时与其他同类算法相比,具有更好的图像视觉质量和鲁棒性.该算法更能适应噪声环境下的信息隐藏.     

奇异值分解视频水印嵌入与检测及安全性测试

文章针对目前现有的基于小波变换和奇异值分解相结合的数字水印算法存在的缺陷,提出了一种新的视频水印算法:以二值图像为水印的混合整数小波变换和奇异值分解的视频水印盲提取算法,重点论述了奇异值分解的视频水印嵌入与检测以及安全性的测试.实验表明,提出的新算法具有较好的高透明性和鲁棒性.     

基于聚类和SVD算法的模糊逻辑系统结构辨识

为了研究模糊逻辑系统新的结构辨识方法, 提出采用基于山峰函数的减法聚类算法构造模糊逻辑系统的初始结构, 并利用奇异值分解(SVD)算法分析了模糊规则与奇异值、累积贡献率以及索引向量的关系, 从而实现了模糊逻辑结构的优化. 最后, 对该算法的可行性和有效性进行了仿真验证和性能比较, 取得了较好的效果.     

基于矩阵分解优化的排序学习特征构造方法

在排序学习中引入特征选择可以提高学习的效率和准确率。出于对选择速度的考虑,当前的研究主要从特征选择的角度出发,根据特征对排序的作用和特征之间的相似性选择对排序区分度最大的特征集合。由于特征大都是人工归纳的,因此特征和特征之间难免存在重叠和冗余。为了减少特征之间的冗余,从特征生成的角度出发,对现有特征进行矩阵分解,从而生成新的特征集。考虑到使用奇异值分解(Singular Value Decomposition SVD)等方法进行矩阵分解时不能综合考虑排序结果对特征的影响,基于特征矩阵对排序的效果、特征矩阵与原矩阵之间的差距来构造优化算法,提出了一种基于矩阵分解的排序学习优化方法,并根据该优化方法设计了排序学习特征选择算法MFRank。实验中使用映射随机梯度下降法近似求得优化问题的最优值,在公开测试集MQ2008上的结果显示,所提MFRank方法获得了与当前最优的特征选择方法即RankBoost和RankSVM-Struct等排序算法相当的结果。