常规边界元法(boundary element method,BEM)因形成的方程矩阵稠密非对称而难以应用于大规模问题,BEM矩阵的存储限制了BEM的工程应用。该文介绍了递阶矩阵(hierarchical matrix,H-matrix)的基本概念,并引入了一种新颖的H-matrix压缩技术...常规边界元法(boundary element method,BEM)因形成的方程矩阵稠密非对称而难以应用于大规模问题,BEM矩阵的存储限制了BEM的工程应用。该文介绍了递阶矩阵(hierarchical matrix,H-matrix)的基本概念,并引入了一种新颖的H-matrix压缩技术:自适应交叉逼近(adaptive cross approximation,ACA)。通过对普法BEM的节点根据拓扑结构重新分区和编号,可以将方程矩阵分解为若干具有递阶特性的子矩阵,应用自适应交叉逼近技术将这些子矩阵进行低秩分解可大大降低BEM矩阵对内存的消耗。为了对基于ACA技术的BEM内存消耗和有效性进行验证,建立了三维球形电极模型,通过与普通BEM比较,证实了该文方法可显著减小边界元法的内存使用,并验证了该方法的有效性。展开更多
基于增广矩阵束方法(Matrix Enhancement and Matrix Pencil,MEMP),以使用尽可能少的阵元逼近期望的方向图为目标,提出了一种求解阵元位置和设计激励幅度的新方法.首先对期望平面阵的方向图进行采样得到离散的数据集,再构造增广矩阵,对...基于增广矩阵束方法(Matrix Enhancement and Matrix Pencil,MEMP),以使用尽可能少的阵元逼近期望的方向图为目标,提出了一种求解阵元位置和设计激励幅度的新方法.首先对期望平面阵的方向图进行采样得到离散的数据集,再构造增广矩阵,对此增广矩阵进行奇异值分解(Singular Value Decomposition,SVD),确定逼近期望方向图所需的最小阵元数目;基于广义特征值分解求解两组特征值,并根据类基于旋转不变技术的信号参数估计(Estimating Signal Parameters Via RotationalInvariance Techniques,ESPRIT)对这两组特值配对;在最小二乘准则下求解稀布面阵的阵元位置和激励.仿真试验验证了该方法在稀布平面阵优化问题中的高效性和数值精度.展开更多
针对高维数据的特征提取问题,将广义低秩矩阵近似(GLRAM)与对角主成分分析(DialPCA)相结合,提出一种新的特征提取方法 GLRAM Plus DialPCA用于进行图像识别。通过广义低秩矩阵对原始图像进行近似,再做对角化变化,采用二维主成分分析(2DP...针对高维数据的特征提取问题,将广义低秩矩阵近似(GLRAM)与对角主成分分析(DialPCA)相结合,提出一种新的特征提取方法 GLRAM Plus DialPCA用于进行图像识别。通过广义低秩矩阵对原始图像进行近似,再做对角化变化,采用二维主成分分析(2DPCA)提取数据行列之间的相关性特征,并利用最近邻分类器计算图像识别率。基于FERET和ORL人脸数据库的实验结果表明,与单一的GLRAM或2DPCA相比,GLRAM Plus DialPCA在姿态、光照和表情变化的情况下识别率更高,特征提取速度更快。展开更多
文摘基于增广矩阵束方法(Matrix Enhancement and Matrix Pencil,MEMP),以使用尽可能少的阵元逼近期望的方向图为目标,提出了一种求解阵元位置和设计激励幅度的新方法.首先对期望平面阵的方向图进行采样得到离散的数据集,再构造增广矩阵,对此增广矩阵进行奇异值分解(Singular Value Decomposition,SVD),确定逼近期望方向图所需的最小阵元数目;基于广义特征值分解求解两组特征值,并根据类基于旋转不变技术的信号参数估计(Estimating Signal Parameters Via RotationalInvariance Techniques,ESPRIT)对这两组特值配对;在最小二乘准则下求解稀布面阵的阵元位置和激励.仿真试验验证了该方法在稀布平面阵优化问题中的高效性和数值精度.
文摘针对高维数据的特征提取问题,将广义低秩矩阵近似(GLRAM)与对角主成分分析(DialPCA)相结合,提出一种新的特征提取方法 GLRAM Plus DialPCA用于进行图像识别。通过广义低秩矩阵对原始图像进行近似,再做对角化变化,采用二维主成分分析(2DPCA)提取数据行列之间的相关性特征,并利用最近邻分类器计算图像识别率。基于FERET和ORL人脸数据库的实验结果表明,与单一的GLRAM或2DPCA相比,GLRAM Plus DialPCA在姿态、光照和表情变化的情况下识别率更高,特征提取速度更快。
