期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
关于四元数体上的双矩阵分解
被引量：
1
1
作者
林冠军
张锦川
《厦门大学学报（自然科学版）》
CAS
CSCD
北大核心
2009年第1期27-30,共4页
利用四元数矩阵的奇异值分解及其转换形式,以及体上矩阵秩的有关结论,使用分块矩阵独有的技巧方法,得到四元数体上具有相同行数或相同列数的矩阵分解定理,其形式均为更有意义的拟对角标准形形式.其结论较大程度地改进和深化相应的实、...
利用四元数矩阵的奇异值分解及其转换形式,以及体上矩阵秩的有关结论,使用分块矩阵独有的技巧方法,得到四元数体上具有相同行数或相同列数的矩阵分解定理,其形式均为更有意义的拟对角标准形形式.其结论较大程度地改进和深化相应的实、复数域和体上矩阵的结果.
展开更多
关键词
四元数体
奇异值
分解
双矩阵分解
在线阅读
下载PDF
职称材料
图优化的低秩双随机分解聚类
被引量：
1
2
作者
张涛
胡恩良
余景丽
《计算机应用研究》
CSCD
北大核心
2019年第2期355-357,共3页
低秩双随机矩阵分解聚类(low-rank doubly stochastic matrix decomposition for cluster analysis,DCD)通过最小化KL(Kullback-Leibler)散度准则:KL(A,S),从图关联矩阵S中获得一个非负低秩双随机矩阵分解:A=UUT(U≥0),并以U作为类标签...
低秩双随机矩阵分解聚类(low-rank doubly stochastic matrix decomposition for cluster analysis,DCD)通过最小化KL(Kullback-Leibler)散度准则:KL(A,S),从图关联矩阵S中获得一个非负低秩双随机矩阵分解:A=UUT(U≥0),并以U作为类标签矩阵进行聚类。在DCD方法中,因矩阵S是固定不可变的,故S初始取值选取的好坏对聚类结果有极大影响,这导致了它缺乏稳定性。针对这一问题,提出了一种基于图优化的DCD方法,将图关联矩阵S和DCD的优化集成在统一框架中,这改进和拓展了原始的DCD方法。实验结果表明,与DCD方法相比,图优化的DCD方法具有更好的聚类精确度和稳定性。
展开更多
关键词
低秩
双
随机
矩阵
分解
图优化
稳定性
聚类
在线阅读
下载PDF
职称材料
基于低秩矩阵二元分解的快速显著性目标检测算法
3
作者
刘明明
仇文宁
孙伟
《计算机应用研究》
CSCD
北大核心
2020年第7期2210-2216,共7页
近年来,基于矩阵低秩表示模型的图像显著性目标检测受到了广泛关注。在传统模型中通常对秩最小化问题进行凸松弛,但是这种方法在每次迭代中必须执行矩阵奇异值分解(SVD),计算复杂度较高。为此,提出了一种低秩矩阵双因子分解和结构化稀...
近年来,基于矩阵低秩表示模型的图像显著性目标检测受到了广泛关注。在传统模型中通常对秩最小化问题进行凸松弛,但是这种方法在每次迭代中必须执行矩阵奇异值分解(SVD),计算复杂度较高。为此,提出了一种低秩矩阵双因子分解和结构化稀疏矩阵分解联合优化模型,并应用于显著性目标检测。该模型不仅利用低秩矩阵双因子分解和交替方向法(ADM)来降低时间开销,而且引入分层稀疏正则化刻画稀疏矩阵中元素之间的空间关系;此外,所提算法能够无缝集成高层先验知识指导矩阵分解过程。实验结果表明,提出的算法检测性能优于当前主流无监督显著性目标检测算法,且具有较低的时间复杂度。
展开更多
关键词
显著性目标检测
低秩
矩阵
双
因子
分解
分层稀疏正则化
交替方向法
在线阅读
下载PDF
职称材料
题名
关于四元数体上的双矩阵分解
被引量：
1
1
作者
林冠军
张锦川
机构
泉州师范学院理工学院
出处
《厦门大学学报（自然科学版）》
CAS
CSCD
北大核心
2009年第1期27-30,共4页
文摘
利用四元数矩阵的奇异值分解及其转换形式,以及体上矩阵秩的有关结论,使用分块矩阵独有的技巧方法,得到四元数体上具有相同行数或相同列数的矩阵分解定理,其形式均为更有意义的拟对角标准形形式.其结论较大程度地改进和深化相应的实、复数域和体上矩阵的结果.
关键词
四元数体
奇异值
分解
双矩阵分解
Keywords
quaternion field
singular value decomposition
pairwise matrices decomposition
分类号
O151.21 [理学—基础数学]
在线阅读
下载PDF
职称材料
题名
图优化的低秩双随机分解聚类
被引量：
1
2
作者
张涛
胡恩良
余景丽
机构
云南师范大学数学学院
出处
《计算机应用研究》
CSCD
北大核心
2019年第2期355-357,共3页
基金
国家自然科学基金资助项目(61663049
61165012)
云南师范大学研究生科研创新基金项目(yjs201678)
文摘
低秩双随机矩阵分解聚类(low-rank doubly stochastic matrix decomposition for cluster analysis,DCD)通过最小化KL(Kullback-Leibler)散度准则:KL(A,S),从图关联矩阵S中获得一个非负低秩双随机矩阵分解:A=UUT(U≥0),并以U作为类标签矩阵进行聚类。在DCD方法中,因矩阵S是固定不可变的,故S初始取值选取的好坏对聚类结果有极大影响,这导致了它缺乏稳定性。针对这一问题,提出了一种基于图优化的DCD方法,将图关联矩阵S和DCD的优化集成在统一框架中,这改进和拓展了原始的DCD方法。实验结果表明,与DCD方法相比,图优化的DCD方法具有更好的聚类精确度和稳定性。
关键词
低秩
双
随机
矩阵
分解
图优化
稳定性
聚类
Keywords
low-rank doubly stochastic matrix
graph optimization
stability
clustering
分类号
TP311.13 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
基于低秩矩阵二元分解的快速显著性目标检测算法
3
作者
刘明明
仇文宁
孙伟
机构
江苏建筑职业技术学院智能制造学院
中国矿业大学信控学院
出处
《计算机应用研究》
CSCD
北大核心
2020年第7期2210-2216,共7页
基金
国家自然科学基金资助项目(61801198)
江苏省自然科学基金资助项目(BK20180174)
“青蓝工程”资助项目。
文摘
近年来,基于矩阵低秩表示模型的图像显著性目标检测受到了广泛关注。在传统模型中通常对秩最小化问题进行凸松弛,但是这种方法在每次迭代中必须执行矩阵奇异值分解(SVD),计算复杂度较高。为此,提出了一种低秩矩阵双因子分解和结构化稀疏矩阵分解联合优化模型,并应用于显著性目标检测。该模型不仅利用低秩矩阵双因子分解和交替方向法(ADM)来降低时间开销,而且引入分层稀疏正则化刻画稀疏矩阵中元素之间的空间关系;此外,所提算法能够无缝集成高层先验知识指导矩阵分解过程。实验结果表明,提出的算法检测性能优于当前主流无监督显著性目标检测算法,且具有较低的时间复杂度。
关键词
显著性目标检测
低秩
矩阵
双
因子
分解
分层稀疏正则化
交替方向法
Keywords
salient object detection
low-rank matrix bi-factorization
hierarchical sparse regularization
alternating direction method
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
关于四元数体上的双矩阵分解
林冠军
张锦川
《厦门大学学报（自然科学版）》
CAS
CSCD
北大核心
2009
1
在线阅读
下载PDF
职称材料
2
图优化的低秩双随机分解聚类
张涛
胡恩良
余景丽
《计算机应用研究》
CSCD
北大核心
2019
1
在线阅读
下载PDF
职称材料
3
基于低秩矩阵二元分解的快速显著性目标检测算法
刘明明
仇文宁
孙伟
《计算机应用研究》
CSCD
北大核心
2020
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
