一种三维矩阵的奇异值分解算法

提出了一种三维矩阵的奇异值分解算法,该法适合处理具有三维矩阵数据的模式识别和分类模型等领域实际问题,该算法与二维矩阵奇异值分解算法类似,通过求解约束条件极值问题获得,该算法与已有的三线性分解算法比较,相对简单,计算速度快,适合处理数据量大的实际问题,该算法也很容易推广到更高维阵列的光谱数据。     

计算机控制光学表面成形中大规模驻留时间求解

采用基于稀疏矩阵的大规模非负最小二乘法,对大口径、微浮雕结构光学元件加工中的驻留时间进行了分析与求解,并对该算法开展了正则化研究。仿真结果表明:与传统非负最小二乘法相比,基于稀疏矩阵的大规模非负最小二乘法精度高、效率快。采用该算法仿真加工平均振幅为1.177 6倍波长的大口径、微浮雕结构光学元件,误差面形均方根收敛至0.067倍波长。     

颗粒粒径分布测量反演算法的改进

综合奇异值截断法、奇异值修正法、Tikhonov正则化思想及Chahine迭代算法,提出一种改进的病态问题求解算法来测量颗粒系的粒径分布。结合Backus-Gilbert折中准则与奇异值最小原则确定了奇异截断值,采用L曲线法确定了最优正则化参数,并利用联合迭代反演法(SIRT)实现解的非负约束。模拟及实验结果表明,该算法对单、双峰分布的测量误差均小于3%,其抗噪性能、测量准确性、时效性及粒径测量范围相较其他反演算法都有明显优势。     

基于截断奇异值分解的三维火焰温度场重建研究

利用CCD摄像机得到的火焰辐射能图像进行炉膛三维火焰温度场重建，但温度重建矩阵方程是一个不适定方程组，从而重建问题是一个不适定问题.应用截断奇异值分解(truncated singular value decomposition，TSVD)的正则化方法对该不适定方程组进行求解，并且采用了L曲线法对正则化参数进行选取.结合重建算例，采用奇异值分解(singular value decomposition，SVD)与离散Picard条件对这个不适定问题进行了分析.重建结果表明，在不同的模拟测量误差下，TSVD能够成功得到合理的解，重建温度场较好的再现了原始假设温度场的特征.     

一种高精度的非迭代位姿估计方法

针对增量式运动结构恢复中相机内参数未标定情况下位姿估计问题,提出一种高精度的非迭代位姿求解方法。根据针孔成像模型,构建了相机内参数未标定位姿估计问题描述方程,使用单位四元数对旋转矩阵进行参数化,并根据四重轴对称现象对旋转矩阵进行分解,通过最小二乘原理构建目标函数后,利用一阶最优化条件建立了关于旋转矩阵参数的二元多项式方程组,使用Gr9bner基求解该方程组得到旋转参数的闭合解,进而获得相机的位姿参数和焦距。该算法的计算复杂度为O(n),实验验证了其有效性、高精度和高数值稳定性。     

绝对方位问题封闭形式最优估计的快速算法

提出一种快速的绝对方位问题算法,通过最小二乘法构造目标函数,对目标函数中的旋转矩阵和平移向量进行分离,利用矩阵的Fobenius范数、行列式以及伴随矩阵等构造旋转矩阵和平移向量封闭形式的最优估计。这种算法具有较高的计算精度和抗噪声性能,并且避免了目前常用算法中的奇异值分解运算,从而提高了计算速度。数学实验结果表明,在计算精度与抗噪声能力上与目前性能最优的Umeyama算法相当,同时计算速度较之有大幅提升,尤其适用于对实时性要求较高的领域。     

基于平面问题的位移压力混合配点法

引入压力变量,将弹性力学控制方程表达为位移和压力的耦合偏微分方程组,采用重心插值近似未知量,利用重心插值微分矩阵得到平面问题控制方程的矩阵形式离散表达式.采用重心插值离散位移和应力边界条件,采用附加法施加边界条件,得到求解平面弹性问题的过约束线性代数方程组,采用最小二乘法求解过约束方程组,得到平面问题位移数值解.数值算例验证了所提方法的有效性和计算精度.     

基于自旋回波探测的地面磁共振T2谱正反演策略

作为新兴地球物理方法之一,地面磁共振技术具有直接探测优势.但由于其发展时间较短,相关建模及反演方法介绍较少,传统的自由感应衰减探测方法不仅精度有限,且适应性较差.近年来,应用自旋回波信号直接探测横向弛豫时间是地面磁共振领域的研究热点.本文推导了其灵敏度核函数及正演公式,引入线性空间反演方案,即通过奇异值分解将含噪自旋回波信号由时间域变换至空间域.为避免矩阵病态问题,采用奇异值滤波法抑制分解病态程度,并联合同时迭代重建技术进一步提升空间域矩阵求解精度.结合非线性拟合对空间域矩阵参数进行提取,实现含水层对应含水量、横向弛豫时间的有效估计.通过模拟野外实验并进行数据解释,证实了该方案能够有效降低浅层含水量至1.5%,横向弛豫时间估测误差至0.02 s.本文的研究成果,将为地面横向弛豫时间探测及相关理论发展及方法在水文地质调查方面的推广应用提供有力支撑.     

无标样X射线定量分析最小二乘法方程的稳定解

无标样法是X射线定量分析的重要方法。无标样定量联立方程中经常出现的病态方程使定量结果出现很大的误差。最小二乘法方程组在某些组合情况下也会出现严重的病态方程。本文提出可以获得可靠的稳定解的无标样X射线定量最小二乘法。指出不同样品数及组合条件下获得稳定解的计算方法:直接最小二乘法、算术平均法、稳定性因子判别法。 关键词：     

整体最小二乘法在精同步中的应用

为了验证整体最小二乘法(TLS,Total Least Squares)比最小二乘法(LS,Least Squares)更适用于精同步,提出了基于整体最小二乘的精同步方法;该方法以PN码基于BPSK调制的同步模型为基础,在接收端得到鉴相曲线后,对鉴相曲线零值点附近的几个固定位置的数据点利用QR分解和奇异值分解的整体最小二乘法拟合出鉴相曲线,求出同步误差;最后通过在Matlab软件上的仿真,得出结论:在噪声环境下,整体最小二乘法在同步中的应用可以得到优于基于普通最小二乘法的同步法的测量精度和稳定性;特别是在信噪比较低的条件下,基于整体最小二乘的精同步测量精度提升了3倍多,同事稳定性提升5倍多。     

Singular value decomposition with normalized period for magnetocaridiography signal processing

In this paper, we have developed an algorithm based on singular value decomposition (SVD) for matrix. And the novel SVD algorithm with normalized period of cardiac cycles is presented. The results from real magnetocardiography (MCG) data processing show that the new algorithm is better than the standard one not only in suppressing noises, but also in providing high-fidelity MCG signals.     

基于SVD的超精密工件自寻位加工算法能力评价

为进一步改善超精密表面修形的最终精度、效率与成本,优化超精密自寻位加工的工艺方向与工艺决策过程, 开展了对超精密工件的自寻位加工算法点云融合过程的定量评价研究,提出了基于SVD的自寻位加工算法能力评价方法。首先基于运动学方法建立了点云融合的矩阵表示,分别对平动、转动、复合运动等情况建立了自寻位结果的转换矩阵表示,获得自寻位点云融合转换矩阵;进而对转换矩阵进行奇异值分解得到转换矩阵的奇异值列表;最后将列表中最大奇异值用以表征自寻位加工算法的能力。通过对某型超精密叶片在平动、转动和复合运动、共计1078组自由放置状态进行分析,发现所提出的评价指标在独立平动和独立转动两种任意放置情况下能够正确地表征自寻位加工算法的工艺能力。对于独立平动情况,自寻位加工算法能够正常定位加工,其最大奇异值也与预设偏差较小;对于独立转动情况,当旋转角度小于45°时,均能够正确地进行自寻位加工,最大奇异值差值也趋近于零,旋转角度超过45°时,算法的自寻位加工能力恶化,这一特性能够被所提指标正确捕捉。对于由平动和转动构成的复合运动而言,所提指标显示约35%的情况能够正确进行自寻位加工,其余情况无法进行正确的自寻位加工。结果表明本文所提方法建立的指标能够正确表征自寻位加工算法能力。     

Global vector-field reconstruction of nonlinear dynamical systems from a time series with SVD method and validation with Lyapunov exponents

A method for the global vector-field reconstruction of nonlinear dynamical systems from a time series is studied in this paper. It employs a complete set of polynomials and singular value decomposition (SVD) to estimate a standard function which is certtral to the algorithm. Lyapunov exponents and dimension, calculated from the differential equations of a standard system, are used for the validation of the reconstruction. The algorithm is proven to be practical by applying it to a Roessler system.     

基于奇异值分解和中位数绝对偏差的拉曼成像数据去噪方法

拉曼成像是一种无损伤、无需标记的光谱成像技术,它可以提供样品的不同组分的分子指纹信息以及空间分布特征,相比其他成像技术有着更重要的应用。但是拉曼散射的截面积小,灵敏度低,加上在很多实验中为了观察某些组分的动态分布而缩短扫描时间,导致最终得到的成像数据被噪声干扰,因此往往需要对信号进行去噪处理。常规的算法一般都是基于一个给定的数学模型对光谱进行处理,容易造成过滤波,使得信号失真;另外,在处理拉曼成像数据时,常规算法往往是对数据进行逐条光谱去噪,从而忽略了多条光谱之间的相互关系,导致最终的拉曼图像仍然受许多噪点干扰。因此,提出了一种基于奇异值分解和中位数绝对偏差的拉曼成像的信号处理方法,用于拉曼成像数据的去噪处理。该方法首先对拉曼成像数据进行奇异值分解,获得一个奇异值矩阵与两个正交矩阵;然后通过中位数绝对偏差法对奇异值矩阵中的各奇异值进行离群值检测,选取前k个被连续标记的离群值作为要保留的奇异值,并将其余的奇异值赋值为零,得到新的奇异值矩阵;最后用新的奇异值矩阵与两个正交矩阵重新求解得到去噪后的拉曼成像数据。实验中,首先验证了中位数绝对偏差法确定前k个奇异值的正确性,其次分别从处理后的图像质量和信号波形两方面对比了该算法与常规算法的去噪效果。结果证明,中位数绝对偏差法可以快速地确定出合理的k值大小,而且,依据该k值处理后的成像数据不仅在成像质量上消除了大量的噪点,使得组分的空间分布特征清晰可见,也在信号波形上较完美地保留了微小谱峰,并恢复光谱信号。该算法不同于常规算法,能同时对整个拉曼成像数据进行处理,并保留光谱之间的统计特征,是一种更加有效的拉曼成像数据的去噪方法。     

心磁信号广义S变换域奇异值分解滤波方法

针对心磁信号工频及背景噪声干扰问题, 提出了广义S变换奇异值分解(singular value decomposition, SVD)滤波方法.在离散S变换基础上, 导出了广义矩阵S变换和逆变换公式. 通过对采样信号进行广义S变换, 调节时频分辨率, 利用SVD分解方法确定有效心磁信 号区域, 实现自适应时频滤波. 实验结果表明, 该方法能有效滤除工频及背景噪声干 扰, 且在较少奇异值个数情况下可获得更好的滤波性能. 关键词： 心磁信号 S变换 奇异值分解 时频滤波     

计算分光光度法同时测定铁、铝、钪

基于铬天青Ｓ－ＣＴＭＡＢ－丙酮与Ｆｅ,Ａｌ,Ｓｃ的显色体系中各组分吸收光谱灵敏度,而选择性差的特点,本文提出一种改进矩阵法,并同时测定了合成样品中三组分的含量取得了满意结果。     

Singular Value Decomposition Using Jacobi Algorithm in pMRI and CS

Parallel magnetic resonance imaging (pMRI) and compressed sensing (CS) have been recently used to accelerate data acquisition process in MRI. Matrix inversion (for rectangular matrices) is required to reconstruct images from the acquired under-sampled data in various pMRI algorithms (e.g., SENSE, GRAPPA) and CS. Singular value decomposition (SVD) provides a mechanism to accurately estimate pseudo-inverse of a rectangular matrix. This work proposes the use of Jacobi SVD algorithm to reconstruct MR images from the acquired under-sampled data both in pMRI and in CS. The use of Jacobi SVD algorithm is proposed in advance MRI reconstruction algorithms, including SENSE, GRAPPA, and low-rank matrix estimation in L + S model for matrix inversion and estimation of singular values. Experiments are performed on 1.5T human head MRI data and 3T cardiac perfusion MRI data for different acceleration factors. The reconstructed images are analyzed using artifact power and central line profiles. The results show that the Jacobi SVD algorithm successfully reconstructs the images in SENSE, GRAPPA, and L + S algorithms. The benefit of using Jacobi SVD algorithm for MRI image reconstruction is its suitability for parallel computation on GPUs, which may be a great help in reducing the image reconstruction time.     

Optimizing Image Reconstruction in SENSE Using GPU

Parallel magnetic resonance imaging (MRI) (pMRI) uses multiple receiver coils to reduce the MRI scan time. To accelerate the data acquisition process in MRI, less amount of data is acquired from the scanner which leads to artifacts in the reconstructed images. SENSitivity Encoding (SENSE) is a reconstruction algorithm in pMRI to remove aliasing artifacts from the undersampled multi coil data and recovers fully sampled images. The main limitation of SENSE is computing inverse of the encoding matrix. This work proposes the inversion of encoding matrix using Jacobi singular value decomposition (SVD) algorithm for image reconstruction on GPUs to accelerate the reconstruction process. The performance of Jacobi SVD is compared with Gauss–Jordan algorithm. The simulations are performed on two datasets (brain and cardiac) with acceleration factors 2, 4, 6 and 8. The results show that the graphics processing unit (GPU) provides a speed up to 21.6 times as compared to CPU reconstruction. Jacobi SVD algorithm performs better in terms of acceleration in reconstructions on GPUs as compared to Gauss–Jordan method. The proposed algorithm is suitable for any number of coils and acceleration factors for SENSE reconstruction on real time processing systems.     

Image quality assessment using the singular value decomposition theorem

In objective image quality metrics, one of the most important factors is the correlation of their results with the perceived quality measurements. In this paper, a new method is presented based on comparing between the structural properties of the two compared images. Based on the mathematical concept of the singular value decomposition (SVD) theorem, each matrix can be factorized to the products of three matrices, one of them related to the luminance value while the two others show the structural content information of the image. A new method to quantify the quality of images is proposed based on the projected coefficients and the left singular vector matrix of the disturbed image based on the right singular vector matrix of the original image. To evaluate this performance, many tests have been done using a widespread subjective study involving 779 images of the Live Image Quality Assessment Database, Release 2005. The objective results show a high rate of correlation with subjective quality measurements.