CN108537738A - 一种矩阵补全方法 - Google Patents
一种矩阵补全方法 Download PDFInfo
- Publication number
- CN108537738A CN108537738A CN201810110343.1A CN201810110343A CN108537738A CN 108537738 A CN108537738 A CN 108537738A CN 201810110343 A CN201810110343 A CN 201810110343A CN 108537738 A CN108537738 A CN 108537738A
- Authority
- CN
- China
- Prior art keywords
- matrix
- rank
- low
- formula
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013459 approach Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract 1
- 239000013065 commercial product Substances 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 102100040160 Rabankyrin-5 Human genes 0.000 description 1
- 101710086049 Rabankyrin-5 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种矩阵补全方法,涉及基于低秩近似的高精度的矩阵补全方法,在实际应用中,如图像处理、商品推荐系统和磁共振波谱等领域经常需要获得大规模的数据。对大规模的数据进行采集需要消耗大量时间,一种方式是通过采集部分信号来加速数据采集。从这些数据的低秩特性出发来恢复出完整的信号,首先利用逼近函数来近似计算矩阵的秩,然后建立矩阵缺失信号的重建模型,最后通过迭代算法重建信号。重建的矩阵精度高,易于操作,可以从少量数据中恢复出完整信号。
Description
技术领域
本发明涉及矩阵补全方法,尤其是涉及一种基于低秩近似的高精度的矩阵补全方法。
背景技术
在许多实际应用中,如图像处理、商品推荐系统和磁共振波谱等,在实际的采样过程中,由于受到硬件、物理条件的限制,不得不加快采样速度,因此实际得到的数据并不完整或达不到预期的分辨率,需要重建采集到的数据中的丢失部分。特别是在高维应用领域,通常数据量非常大,全采样时间过于冗长,往往在测量时采用非均匀欠采样缩短采样时间,通过重建的方法得到完整的数据和预期的分辨率。利用这些数据自身或其采样向量转为的高维矩阵具有低秩特性,可以恢复出原始的矩阵。
以磁共振波谱为例,它在化学分子结构分析领域有着重要的应用,但磁共振实验时间较长,从几分钟到几十天不等。这不但使实验耗费大量谱仪机时,而且增加了不稳定样品的实验难度,从而限制了高维核磁共振技术在研究中的应用。其时域信号符合指数函数特征,因此其信号转为的汉克尔矩阵具有低秩特性。为了缩短核磁共振实验时间,可以采用欠采样降低间接维采样点数。然而,欠采样容易造成谱峰重叠进而形成伪峰。为了获得高质量频谱,可以通过谱的自稀疏性对欠采样数据进行重建(Xiaobo Qu,Xue Cao,Di Guo,Zhong Chen,"Compressed sensing for sparse magnetic resonance spectroscopy,"International Society for Magnetic Resonance in Medicine 19th ScientificMeeting.Stockholm,Sweden,pp.3371,2010.);可以利用磁共振波谱时间域信号对应汉克尔矩阵的低秩性来实现重建(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,Vladislav Orekhov."Accelerated NMR spectroscopy with low-rankreconstruction,"Angewandte Chemie International Edition,vol.54,no.3,pp.852-854,2015.),但这些方法在采样率较低时效果不佳。
发明内容
本发明的目的在于提供一种高精度的矩阵补全方法。
本发明包括以下步骤:
1)利用逼近函数近似计算矩阵的秩;
在步骤1)中,所述利用逼近函数近似计算矩阵的秩的具体方法可为:利用非凸函数可以近似矩阵X的秩,其中,σi(X)是矩阵X第i大的奇异值,φ被定义为:
其中,参数a大于0。
2)建立一种逼近矩阵秩的低秩重建模型:
其中,为欠采样算子,Y为采集到的信号,X为待恢复矩阵,λ是平衡和的正则化参数,σi(X)表示矩阵X的第i个奇异值;
3)提出基于非凸函数的低秩矩阵重建模型的求解算法;
在步骤3)中,所述提出基于非凸函数的低秩矩阵重建模型的求解算法的具体方法可为:为求解式(2)中的低秩重建模型,引入中间变量Z,将模型松弛化如下:
其中,β表示正则化参数,与λ共同权衡 和三项的重要性;
当β趋于无穷大时,式(3)的解将趋近式(2)的解,可以利用连续交替方向最小化方法,求解最优化问题式(3);根据以下式(4)~(6)迭代更新变量:
其中,下标k表示第k次的解,符号“-1”表示求矩阵的逆,上标H表示矩阵的共轭转置,I为单位阵,对矩阵Xk+1进行奇异值分解可以得到函数Θ(Σk+1;2a/β,a)定义为:
Θ(Σk+1;β,a)=min{Σk+1,max{(Σk+1-2a/β)/(1-2a2/β),0}} (6)
式(3)中参数β和λ是正数,当达到迭代停止准则时,迭代停止;迭代停止准则设定为达到最大迭代次数或X在相邻两次迭代中的误差小于设置的阈值η(取值大于0);当迭代停止时,可根据式(4)得到完整的矩阵。
本发明在实际应用中,如图像处理、商品推荐系统和磁共振波谱等领域经常需要获得大规模的数据。对大规模的数据进行采集需要消耗大量时间,一种方式是通过采集部分信号来加速数据采集。本发明从这些数据的低秩特性出发来恢复出完整的信号,首先利用逼近函数来近似计算矩阵的秩,然后建立矩阵缺失信号的重建模型,最后通过迭代算法重建信号。该方法重建的矩阵精度高,易于操作,可以从少量数据中恢复出完整信号。
附图说明
图1是全采样的矩阵。
图2是欠采样的矩阵。
图3是本发明补全后的矩阵。
具体实施方式
下面通过具体实施例对本发明作进一步的说明,并给出重建结果。本实施例是一个重建二维矩阵的模拟实验,矩阵的行数和列数均为128,其秩为5。根据欠采样模板对矩阵进行欠采样,采样20%的数据,则本实施例中的矩阵数据点为16385点,采样率为20%时得到的总采样数据点数为3212点。具体步骤如下:
1)生成低秩矩阵:生成秩为5的矩阵(如图1所示),其行数和列数均为128。
2)建立一种逼近矩阵秩的低秩重建模型:
其中Y为采集到的信号(如图2所示),有3212个点,X为待补全的矩阵,为欠采样算子,作用是使需要补全的完整矩阵X变换为欠采样矩阵Y。λ是平衡和的正则化参数,σi(X)表示矩阵X的第i个奇异值,φ被定义为
其中参数a取值为0.5。
3)提出基于非凸函数的低秩矩阵重建模型的求解算法:为求解(7)中的重建模型,将模型松弛化如下:
其中,β表示正则化参数,与λ共同权衡 和三项的重要性。
当β趋于无穷大时,(9)的解将趋近(7)的解。可以利用连续交替方向最小化方法求解最优化问题(9)。引入中间变量Z,根据以下公式(10)~(12)迭代更新变量:
下标k表示第k次的解,符号“-1”表示求矩阵的逆,上标H为矩阵的共轭转置,I为单位阵,对矩阵Xk+1进行奇异值分解可以得到函数Θ(Σk+1;2a/β,a)定义为
Θ(Σk+1;β,a)=min{Σk+1,max{(Σk+1-2a/β)/(1-2a2/β),0}} (12)当a越大,式(9)中的非凸性越强。通过不断更新β,使式(9)为凸函数的a范围越大。当β趋于无穷大时,式(9)的解将趋于公式(1)的解。令式(9)中λ=104,初始值β1=1,a1=0.5,内层迭代达到停止准则时,内层迭代停止。内层迭代停止准则设定为达到最大迭代次数500次或X在相邻两次内层迭代中的误差小于设定的阈值10-5。内层迭代停止后,令β2=2×β1,不断进行内层迭代,内层迭代停止后即更新βj+1=2×βj和直到外层迭代达到停止准则时,求解结束。外层迭代停止准则设定为β达到最大值256或X在相邻两次外层迭代中的误差小于设定的阈值10-5。最后得到的X为重建的矩阵。
4)数据后处理:对求解得到的矩阵(如图3所示)与作为参考的原始矩阵(如图1所示)做对比。计算两者误差,得到相对2范数误差为0.0382。利用采集到的部分数据和本发明的矩阵补全方法,可以重建得到高质量的矩阵。相对2范数误差被定义为其中x是欠采样补全后的矩阵,y是全采样矩阵。
Claims (3)
1.一种矩阵补全方法,其特征在于包括以下步骤:
1)利用逼近函数近似计算矩阵的秩;
2)建立一种逼近矩阵秩的低秩重建模型:
其中,为欠采样算子,Y为采集到的信号,X为待恢复矩阵,λ是平衡2a和的正则化参数,σi(X)表示矩阵X的第i个奇异值;
3)提出基于非凸函数的低秩矩阵重建模型的求解算法。
2.如权利要求1所述一种矩阵补全方法,其特征在于在步骤1)中,所述利用逼近函数近似计算矩阵的秩的具体方法为:利用非凸函数近似矩阵X的秩,其中,σi(X)是矩阵X第i大的奇异值,φ被定义为:
其中,参数a大于0。
3.如权利要求1所述一种矩阵补全方法,其特征在于在步骤3)中,所述提出基于非凸函数的低秩矩阵重建模型的求解算法的具体方法为:为求解式(2)中的低秩重建模型,引入中间变量Z,将模型松弛化如下:
其中,β表示正则化参数,与λ共同权衡 和三项的重要性;
当β趋于无穷大时,式(3)的解将趋近式(2)的解,利用连续交替方向最小化方法,求解最优化问题式(3);根据以下式(4)~(6)迭代更新变量:
其中,下标k表示第k次的解,符号“-1”表示求矩阵的逆,上标H表示矩阵的共轭转置,I为单位阵,对矩阵Xk+1进行奇异值分解得到函数定义为:
Θ(Σk+1;β,a)=min{Σk+1,max{(Σk+1-2a/β)/(1-2a2/β),0}} (6)
式(3)中参数β和λ是正数,当达到迭代停止准则时,迭代停止;迭代停止准则设定为达到最大迭代次数或X在相邻两次迭代中的误差小于设置的阈值η,取值大于0;当迭代停止时,根据式(4)得到完整的矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110343.1A CN108537738A (zh) | 2018-02-02 | 2018-02-02 | 一种矩阵补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110343.1A CN108537738A (zh) | 2018-02-02 | 2018-02-02 | 一种矩阵补全方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537738A true CN108537738A (zh) | 2018-09-14 |
Family
ID=63485716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810110343.1A Pending CN108537738A (zh) | 2018-02-02 | 2018-02-02 | 一种矩阵补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537738A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838096A (zh) * | 2019-11-14 | 2020-02-25 | 成都理工大学 | 基于信息熵范数的地震图像补全方法 |
CN112364372A (zh) * | 2020-10-27 | 2021-02-12 | 重庆大学 | 一种有监督矩阵补全的隐私保护方法 |
CN113376251A (zh) * | 2021-06-24 | 2021-09-10 | 湖南机电职业技术学院 | 一种焊接质量自动检测装置及检测方法 |
-
2018
- 2018-02-02 CN CN201810110343.1A patent/CN108537738A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838096A (zh) * | 2019-11-14 | 2020-02-25 | 成都理工大学 | 基于信息熵范数的地震图像补全方法 |
CN110838096B (zh) * | 2019-11-14 | 2022-05-10 | 成都理工大学 | 基于信息熵范数的地震图像补全方法 |
CN112364372A (zh) * | 2020-10-27 | 2021-02-12 | 重庆大学 | 一种有监督矩阵补全的隐私保护方法 |
CN113376251A (zh) * | 2021-06-24 | 2021-09-10 | 湖南机电职业技术学院 | 一种焊接质量自动检测装置及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ying et al. | Hankel matrix nuclear norm regularized tensor completion for $ n $-dimensional exponential signals | |
CN106646303B (zh) | 一种欠采样磁共振波谱的快速重建方法 | |
CN106373167A (zh) | 一种基于深度神经网络的压缩传感核磁共振成像方法 | |
CN111324861B (zh) | 一种基于矩阵分解的深度学习磁共振波谱重建方法 | |
CN111783631B (zh) | 一种基于稀疏表示的深度学习磁共振波谱重建方法 | |
CN105808869A (zh) | 一种基于块Hankel矩阵的磁共振波谱重建方法 | |
CN108537738A (zh) | 一种矩阵补全方法 | |
CN111915007B (zh) | 一种基于神经网络的磁共振谱降噪方法 | |
CN111870245A (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
He et al. | Improved FOCUSS method with conjugate gradient iterations | |
CN103049923A (zh) | 磁共振快速成像的方法 | |
CN107423543B (zh) | 一种超复数磁共振波谱的快速重建方法 | |
CN113143243A (zh) | 一种基于谱分解的深度学习磁共振波谱重建方法 | |
CN104793159B (zh) | 一种高维核磁共振时域信号补全方法 | |
CN108828482B (zh) | 结合稀疏和低秩特性的欠采样磁共振扩散谱的重建方法 | |
CN111915449A (zh) | 基于vmd与omp的电力负荷数据降维重构处理方法 | |
CN110045184A (zh) | 一种基于压缩感知macsmp的超次谐波测量方法 | |
CN104932863B (zh) | 一种高维指数信号数据补全方法 | |
CN109165432A (zh) | 一种基于部分奇异值和的磁共振波谱重建方法 | |
CN110940944B (zh) | 基于深度学习的磁共振信号的去j耦合方法 | |
CN110658484B (zh) | 一种磁共振波谱重建方法及系统 | |
CN108920423B (zh) | 一种高保真谱重建方法 | |
CN111538944B (zh) | 一种基于子空间的磁共振波谱快速重建方法 | |
Wang et al. | A unified variance reduction-based framework for nonconvex low-rank matrix recovery | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180914 |
|
WD01 | Invention patent application deemed withdrawn after publication |