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...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。展开更多
为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障...为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。展开更多
针对可见光图像弱小目标检测中的背景抑制和去噪问题,提出了奇异值分解(Singular Value Decomposition,SVD)带通滤波新方法.首先分析了图像奇异值与目标、噪声和图像背景的关系,结果表明奇异值的高序部分更多地反映图像噪声,中序部分更...针对可见光图像弱小目标检测中的背景抑制和去噪问题,提出了奇异值分解(Singular Value Decomposition,SVD)带通滤波新方法.首先分析了图像奇异值与目标、噪声和图像背景的关系,结果表明奇异值的高序部分更多地反映图像噪声,中序部分更多地反映目标性质,而低序部分更多地反映图像背景.以此为依据提出了SVD-Ⅰ型和SVD-Ⅱ型两种带通滤波器,并给出了奇异值曲线转折点法和门限准则法两种滤波器参数确定方法.实验表明SVD带通滤波能有效抑制图像背景,去除噪声,进而提高弱小目标的信噪比.展开更多
提出了一种基于连续小波变换(continuous walelet transform,CWT)和奇异值分解(singular value decomposition,SVD)相结合的提升小波系数SVD辨识信号振荡频率和模式信息提取及信号去噪的新方法。克服了噪声较大或者密集模态时,小波脊线...提出了一种基于连续小波变换(continuous walelet transform,CWT)和奇异值分解(singular value decomposition,SVD)相结合的提升小波系数SVD辨识信号振荡频率和模式信息提取及信号去噪的新方法。克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率。同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和SVD分解后矩阵重构来进行信号去噪。CWT可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度。仿真算例验证了算法的有效性和适用性。展开更多
传统协同过滤算法存在数据稀疏与冷启动问题,社会化推荐算法虽然能在一定程度上缓解这些问题,但大多数的算法都只从单一的角度来衡量信任关系的影响。为了更准确地度量社交关系对推荐预测的影响,提出了一种基于领域信任及不信任的社会...传统协同过滤算法存在数据稀疏与冷启动问题,社会化推荐算法虽然能在一定程度上缓解这些问题,但大多数的算法都只从单一的角度来衡量信任关系的影响。为了更准确地度量社交关系对推荐预测的影响,提出了一种基于领域信任及不信任的社会化奇异值分解(Field Trust and Distrust based Singular Value Decomposition,FTDSVD)推荐算法。该算法在SVD推荐算法的基础上加入了用户的信任关系与不信任关系,利用不信任关系对社交关系进行修正,并且充分考虑用户的信任领域相关性和全局影响力。在Epinions数据集上将FTDSVD算法与相关算法进行了对比,结果证实了该算法在提高推荐质量和缓解冷启动问题上效果显著。展开更多
针对当前分布式潜在因子推荐算法存在时间复杂度较高、运行时间较长的问题,文中提出基于LU分解和交替最小二乘法(ALS)的分布式奇异值分解推荐算法,利用ALS利于分布式求解目标函数的特点,提出网格状分布式粒度分割策略,获取相互独立不相...针对当前分布式潜在因子推荐算法存在时间复杂度较高、运行时间较长的问题,文中提出基于LU分解和交替最小二乘法(ALS)的分布式奇异值分解推荐算法,利用ALS利于分布式求解目标函数的特点,提出网格状分布式粒度分割策略,获取相互独立不相关的特征向量.在更新特征矩阵时,使用LU分解求逆矩阵,加快算法的运行速度.在KDD CUP 2012 Track1中的腾讯微博数据集上的实验表明,文中算法在确保一定推荐精度的前提下,大幅提升推荐速度和算法效率.展开更多
文摘基于奇异值分解(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。
文摘为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。
文摘针对可见光图像弱小目标检测中的背景抑制和去噪问题,提出了奇异值分解(Singular Value Decomposition,SVD)带通滤波新方法.首先分析了图像奇异值与目标、噪声和图像背景的关系,结果表明奇异值的高序部分更多地反映图像噪声,中序部分更多地反映目标性质,而低序部分更多地反映图像背景.以此为依据提出了SVD-Ⅰ型和SVD-Ⅱ型两种带通滤波器,并给出了奇异值曲线转折点法和门限准则法两种滤波器参数确定方法.实验表明SVD带通滤波能有效抑制图像背景,去除噪声,进而提高弱小目标的信噪比.
文摘提出了一种基于连续小波变换(continuous walelet transform,CWT)和奇异值分解(singular value decomposition,SVD)相结合的提升小波系数SVD辨识信号振荡频率和模式信息提取及信号去噪的新方法。克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率。同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和SVD分解后矩阵重构来进行信号去噪。CWT可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度。仿真算例验证了算法的有效性和适用性。
文摘传统协同过滤算法存在数据稀疏与冷启动问题,社会化推荐算法虽然能在一定程度上缓解这些问题,但大多数的算法都只从单一的角度来衡量信任关系的影响。为了更准确地度量社交关系对推荐预测的影响,提出了一种基于领域信任及不信任的社会化奇异值分解(Field Trust and Distrust based Singular Value Decomposition,FTDSVD)推荐算法。该算法在SVD推荐算法的基础上加入了用户的信任关系与不信任关系,利用不信任关系对社交关系进行修正,并且充分考虑用户的信任领域相关性和全局影响力。在Epinions数据集上将FTDSVD算法与相关算法进行了对比,结果证实了该算法在提高推荐质量和缓解冷启动问题上效果显著。
文摘针对当前分布式潜在因子推荐算法存在时间复杂度较高、运行时间较长的问题,文中提出基于LU分解和交替最小二乘法(ALS)的分布式奇异值分解推荐算法,利用ALS利于分布式求解目标函数的特点,提出网格状分布式粒度分割策略,获取相互独立不相关的特征向量.在更新特征矩阵时,使用LU分解求逆矩阵,加快算法的运行速度.在KDD CUP 2012 Track1中的腾讯微博数据集上的实验表明,文中算法在确保一定推荐精度的前提下,大幅提升推荐速度和算法效率.
