排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
矩阵奇异值分解及其在高维数据处理中的应用 总被引：2，自引：0，他引：2
矩阵奇异值分解能够实现对高维数据的局部特征提取及维数约减,在智能信息处理和模式识别研究领域具有十分重要的应用价值.首先分析了高维数据处理所面临的困境,并对常用的降维算法进行简单的归纳总结;然后阐述了矩阵奇异值分解的基本原理及其在维数约减和数据压缩中的物理意义;接着通过分析两种建立在奇异值分解基础上的PCA与LSA降维算法的数学导出过程,进一步给出了两者的等价性证明;最后总结了矩阵奇异值分解的优缺点,并且预测了高维数据处理技术未来的发展趋势. 相似文献
2.
图像去噪是数字图像处理的必要环节,对后续图像处理、分析和应用的效果有重要影响。现有基于稀疏低秩矩阵分解的图像去噪算法虽然在处理高斯、椒盐等均匀随机噪声时效果良好,但无法有效处理实际应用中可能遇到的结构化噪声问题。针对该缺陷,本文引入L2,1范数将结构化噪声情形下的图像去噪问题建模为一类L2,1范数正则化矩阵分解问题,并由此提出一种基于L2,1范数正则化矩阵分解的图像结构化噪声平滑算法（L21NRMD）。仿真实验结果表明,在基本保持椒盐噪声去除效果的前提下,该算法可有效去除不同比例的结构化噪声,PSNR性能指标值介于69-80dB之间,差错率为0.06-0.14,较现有算法具有更好的适应性和更广的应用范围。 更多还原 相似文献
1