CN110780604A - 一种基于空时平滑性和时间相关性的空时信号恢复方法 - Google Patents
一种基于空时平滑性和时间相关性的空时信号恢复方法 Download PDFInfo
- Publication number
- CN110780604A CN110780604A CN201910943595.7A CN201910943595A CN110780604A CN 110780604 A CN110780604 A CN 110780604A CN 201910943595 A CN201910943595 A CN 201910943595A CN 110780604 A CN110780604 A CN 110780604A
- Authority
- CN
- China
- Prior art keywords
- space
- time
- time signal
- signal
- smoothness
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于空时平滑性和时间相关性的空时信号恢复方法该方法为一种从不完整并且有噪声的样本中恢复空时信号的算法,在这个算法中,将具有网络结构的空时信号视为时变图信号,其中图的拓扑结构不仅由空间结构决定,而且还受时变数据的时间相关性的影响。利用空时平滑性和时间相关性进行建模,把信号恢复问题从数学上建模为一个优化问题,然后把这个非凸的优化问题分解为两个子优化问题,这两个子问题分别迭代的恢复空时信号和时间相关矩阵。应用交替方向乘子法来解决第一个子问题以恢复空时信号,接着用CVX优化工具包解决第二个子问题以更新时间相关矩阵,这两步交替迭代,最终恢复出来完整的空时信号。
Description
【技术领域】
本发明属于信号处理技术领域,具体涉及一种基于空时平滑性和时间相关性的空时信号恢复方法。
【背景技术】
在过去的15年里,图表已经渗透到维数据的复杂的社会、生物和技术系统的研究中,或网络的动态过程中,如流行病的传播。在网络科学中,研究者感兴趣的问题不是通过分析数据来解决的,而是通过分析图表的结构来解决。因此关于分析和处理图上信号的理论日渐成熟。这些理论主要分为两类,第一类是图信号处理。由于已经存在关于离散信号处理的成熟理论,研究者首先在图上引入了带限信号和相应的采样定理。然后建立了一个全面的图信号框架,并将传统理论推广到图形信号的研究中,给出了图信号相关概念的一些重要定义,如滤波,卷积,脉冲响应等。在具有理论框架之后,出现了许多采样和恢复图信号的方法。此外,研究者认为图形信号会随着时间的推移而发生变化,因此提出了恢复时变图信号的相关方法。首先,基于时变图信号在每个时刻都受到严格限制的假设,图信号处理的发展提供了许多有效的方法来解决这个问题。第二类是空时信号处理,而在空时信号处理中,最重要的一个问题就是如何从残缺的空时信号出发,恢复出完整的空时信号。当恢复时空信号时,总会利用一些空时信号固有的特性,也就是相关性,即空时信号在空间和时间上具有多种不同的相似性。利用不同的相似性,衍生出了许多不同的空时信号恢复方法。而目前的空时信号恢复方法,都没有充分的利用空时信号的相关性,导致恢复出来的空时信号存在误差。因此为了降低空时信号恢复的误差,有必要在充分的考虑各种相关性的基础和前提下,提出一种新的空时信号恢复方法。
另一方面,当今社会的网络结构十分庞大且复杂,从这些网络采集数据时由于各种客观条件会导致采集到的数据不全。如图1所示,以传感器网络为例,在传感器节点采集数据并把数据传输到基站的过程中,传感器节点损坏或者通信故障都会导致数据缺失,但接下来如果要进行数据分析的话很有可能需要完整的数据,在这种情况下,就需要从已知的数据出发来恢复完整的数据。数据本身有着高的相关性,这种相关性分为两个方面,一方面是时间上的相关性,即随着时间推移信号变化较为平缓;另一方面是空间上的相关性,即地理位置相近的数据相似度较高。而这些数据本身具有的相关性质都可以被用来改善恢复数据的性能。
【发明内容】
本发明的目的在于克服上述现有技术的缺点,提供一种基于空时平滑性和时间相关性的空时信号恢复方法;该方法用于解决恢复的空时信号存在误差,导致恢复的空时信号不完整的问题。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于空时平滑性和时间相关性的空时信号恢复方法,包括以下步骤:
步骤1,将采样空时信号恢复至原始空时信号的过程转化为优化问题,对应公式为:
步骤2,通过交替方向乘子法将采样空时信号恢复为原始空时信号,在每一次交替方向乘子法恢复空时信号的过程中,同时通过CVX优化工具包恢复时间相关矩阵R;每一次空时信号的恢复均基于上一次恢复的空时信号和时间相关矩阵R;直至交替方向乘子法迭代完成设定次数,完成空时信号恢复。
本发明的进一步改进在于:
优选的,步骤1中,所述原始空时信号X为无向加权图G的空时信号,L为无向加权图G的拉普拉斯矩阵,L的计算式为:
L=D-W (2)
其中,D为无向加权图G的度矩阵,W为无向加权图G的权重矩阵。
优选的,步骤1中,采样空时信号Y的计算公式为:
其中,V为小方差的高斯噪声。
优选的,公式(10)中,tr(D(X)TLD(X))表示采样空时信号Y的差分平滑性,其中D(X)为修正后的时间差分信号,其计算公式为:
D(X)=X-RXB=[a1,a2-Ra1,…,aM-RaM-1] (8)
其中,ai=[a1,i,a2,i,…,aN,i],为在第i个时刻采集到的信号;B为差分矩阵。
优选的,公式(10)中,tr(XTLX)为采样空时信号Y的单一时刻的平滑性。
优选的,步骤2中,恢复原始空时信号X过程中,迭代恢复每一次Xk+1对应的公式为:
将公式(11)转化为等效分裂形式:
公式(12)对应的增广拉格朗日函数为:
其中,A为一个优化变量,P为拉格朗日乘子,ρ为惩罚项系数,<·,·>表示两个矩阵的内积;
针对式(13)对原始空时信号X通过迭代k次恢复,具体包括以下步骤:
步骤2.1.初始化X0=Y,Z0=Y,P0=0,R0=I,k=0;其中I为单位矩阵;
步骤2.2.计算k=1时的X1;
步骤2.3.通过k=1时的X1和通过CVX工具包计算出的R1计算出k=2时的X2;
步骤2.4.通过k=2时的X2和通过CVX工具包计算出的R2计算出k=3时的X3,依次类推,直至k为设定次数,计算出最终的XE,为恢复的最终空时信号XE。
优选的,在步骤2.2-步骤2.4的任意一次迭代中,通过交替乘子迭代算法恢复原始空时信号X,具体来说,每一次对三个变量Xk、Zk和Pk进行迭代更新,三个变量的更新公式分别为:
Pk+1=Pk+1+ρ(Xk+1-Zk+1) (16)
其中,SVT为奇异值阈值算子;C为一个优化变量;
通过共轭梯度方法求解(14),计算当前k值对应的Xk+1,通过Xk+1结合式(15)计算出Zk+1,通过Xk+1和Zk+1,结合式(16)计算出Pk+1;
将Xk+1、Zk+1和Pk+1输入至CVX工具包计算出Rk+1。
优选的,所述求解式(14)的共轭梯度方法包括以下步骤:
(1)确定搜索步长τ:
(2)更新变量X的值:
Xi+1 k=Xi k+τΔXi k (19)
(3)更新搜索方向λ:
ΔXi+1 k=-▽f(Xi+1 k)+λΔXi k (21)。
优选的,所述奇异值阈值算子SVT的定义如下:
其中,U,V,Σ为X的奇异值分解,Λτ(x)=sign(x)max(|x|-τ,0)为软阈值算子。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种基于空时平滑性和时间相关性的空时信号恢复方法;该方法为一种从不完整并且有噪声的样本中恢复空时信号的算法,在这个算法中,将具有网络结构的空时信号视为时变图信号,其中图的拓扑结构不仅由空间结构决定,而且还受时变数据的时间相关性的影响。利用空时平滑性和时间相关性进行建模,把信号恢复问题从数学上建模为一个优化问题,然后把这个非凸的优化问题分解为两个子优化问题,这两个子问题分别迭代的恢复空时信号和时间相关矩阵。应用交替方向乘子法来解决第一个子问题以恢复空时信号,接着用CVX优化工具包解决第二个子问题以更新时间相关矩阵,通过两步交替迭代,最终恢复出来完整的空时信号。
【附图说明】
图1为空时信号模型及其拓扑示例图;
图2为海平面温度数据库中采样率是0.4时各种方法各个时刻的信号平均绝对误差比较;
图3为海平面温度数据库中不同采样率下各种方法的100个时刻的总信号平均绝对误差比较;
图4为加州每日平均PM2.5数据库中采样率是0.3时各种方法各个时刻的信号平均绝对误差比较;
图5为加州每日平均PM2.5数据库中不同采样率下各种方法的100个时刻的总信号平均绝对误差比较。
【具体实施方式】
下面结合附图和具体过程对本发明做进一步详细描述:
以一个无向加权图G(V,ε,W)作为待恢复的图表,其中V代表N个节点的集合,ε代表所有边的集合,对称非负矩阵W代表该无向加权图的权重矩阵。矩阵W中第i行第j列的元素wij定义为连接第i个节点与第j个节点的边的权重。当第i个节点与第j个节点之间有边时,wij不为0;否则wij为0。该无向加权图的度矩阵定义为:
D=diag(d1,…,dN) (1)
L=D-W (2)
步骤1,建立原始空时信号与采样空时信号之间的关系
针对无向加权图G,一个总共在M个时刻内被采集到的空时信号被定义为矩阵X=[a0,a1,…,aM-1],其中ai=[a1,i,a2,i,…,aN,i]为在第i个时刻采集到的信号。
空时信号的恢复即从它的采样中恢复出完整的信号,信号采样模型为:
步骤2,建立空时信号矩阵的相关性数学表示
恢复空时信号时,可以利用空时信号本身所具有的相关性。相关性分为两个部分,第一部分为全局相关性,即每次观测的信号都来自有限的模式,在数学上表示为整个原始空时信号X是一个低秩矩阵,相关性的第二部分为局部相关性,即平滑性。平滑性指出,基于给定拓扑,空时信号在时间和空间上都应该是缓慢变化的,即平滑的。平滑是一个定性的表示,需要找到平滑性的数学表示来对信号恢复问题进行数学建模。针对单一时刻采样的信号,一种典型的平滑性的数学表示为:
S(a)越小,该信号就越平滑。上述是针对单一时刻采样的信号求平滑性,因此需要将其推广到所有时刻的信号,即针对无向加权图G,把所有单一时刻信号的平滑性进行求和,得到如下表达式:
其中tr(·)定义为矩阵的迹。
步骤3,建立空时信号的差分平滑性
信号不仅自身具有平滑性,而且信号的差分也具有平滑性,即信号变化量的改变也是缓慢的,该性质称之为差分平滑性。为了应用这个性质,定义差分矩阵B,这个矩阵的具体形式为:
因此,对于原始空时信号X的时间差分信号为:
X-RXB=[a1,a2-a1,…,aM-aM-1] (7)
因为图中的每个节点在时间上的相关程度不同,加入时间相关矩阵R修正原始空时信号X的时间差分信号,修正过后的时间差分信号为:
D(X)=X-RXB=[a1,a2-Ra1,…,aM-RaM-1] (8)
其中R为时间相关矩阵,该矩阵是一个对角矩阵,且它的第i个对角元素ri定义为第i个节点的相关系数。把该修正过的时间差分信号代入式(5),即表示为原始空时信号X的差分平滑性;因此信号的差分平滑性可表示为:
S(D(X))=tr(D(X)TLD(X)) (9)
步骤4,将空时信号的恢复问题进行优化
利用空时信号的空时相关性,将空时信号的恢复问题建模为如下的优化问题:
其中α,β,γ,μ为正的正则化参数,优化问题中的第一项控制了原信号与恢复信号的误差;第二项应用了式(9)所示的差分平滑性;在第三项中,为了应用信号的低秩特性即全局相关性,通过约束矩阵的核范数来约束矩阵的秩;第四项反映了信号的空时平滑性,即式(5),最后一项控制了时间相关矩阵R的对角线元素大小。此外,优化问题中的第一个限制条件控制时间相关矩阵R的对角线元素,第二个限制条件控制了不同节点之间时间相关系数的差异程度。
通过上述公式(10)恢复原始空时信号X的基本思路为通过不断的迭代,将设定的初始X0通过反复的迭代得到最终恢复的XE,在每一次迭代恢复空时信号的过程中,同时通过CVX优化工具包恢复时间相关矩阵R;因此优化后的问题(10)有两个优化变量Xk和Rk,然而该问题对这两个优化变量并不是联合凸的。因此为了解决该问题,在本发明中,采用块坐标下降的方案,即在迭代的每步中,保持其中一个优化变量不变,对另一个优化变量进行更新。因此,采用这种思想,一个复杂的优化问题被分解为两个分别针对单一优化变量的子问题,接下来分别解决这两个子问题的方法:
1)恢复原始空时信号X的方法:
在恢复原始空时信号X的过程中,每一次迭代恢复Xk+1,如下所示:
公式(11)是针对恢复空时信号Xk+1的子问题,A为一个优化变量;而该优化问题对于Xk+1来说是一个凸优化问题,因此采用交替乘子迭代算法来解决该问题,采用该算法的原因是该算法具有可分解性和优越的收敛性能。首先,将公式(11)转化为能够应用在交替乘子迭代算法上的等效分裂形式:
优化问题(12)的增广拉格朗日函数为:
其中,P为拉格朗日乘子,ρ为惩罚项系数,<·,·>表示两个矩阵的内积。
当运用交替乘子迭代算法时,需要对三个变量Xk、Zk和Pk进行迭代更新,这个三个变量的更新规则分别为:
Pk+1=Pk+ρ(Xk+1-Zk+1) (16)
其中,C为一个优化变量;
其中,SVT定义为奇异值阈值算子,具体定义如下:
SVTτ(X)=UΛτ(∑)VT (17)
其中,U,V,Σ为X的奇异值分解,Λτ(x)=sign(x)max(|x|-τ,0)为软阈值算子。
为了找到子问题(14)的解,可以直接令目标函数的导数为0。但这种解法会带来十分高的计算复杂度,因为它涉及大矩阵求逆的操作。因此在本发明中采用共轭梯度方法来求解子问题(14)以降低计算复杂度,具体步骤为:
(4)先根据如下准则来确定搜索步长τ
(5)再根据如下准则更新变量X的值
Xi+1 k=Xi k+τΔXi k (19)
(6)最后根据如下准则更新搜索方向λ:
ΔXi+1 k=-▽f(Xi+1 k)+λΔXi k (21)
通过上述共轭梯度方法计算出Xk,将Xk分别带入公式(15)和(16)中,计算出Zk和Pk。
2)恢复时间相关矩阵R的方法
针对恢复时间相关矩阵R的子问题也是一个凸优化问题,因此采用凸优化工具包CVX来解决这个问题,将上面计算出的Xk、Zk和Pk输入至CVX后,恢复了时间相关矩阵Rk。
通过上述的公式(14)-(16)求解两个子问题,具体的步骤为:
(1)计算k=1时的X1,Z1,P1和R1;
(2)计算k=2时的X2,Z2,P2和R2;
(3)计算k=3…的X3,Z3,P3和R3,直至k为最大迭代次数,k的迭代次数为设定值。
上述迭代结束后,完成了空时信号X和时间相关矩阵R的恢复,得到最终恢复的XE和RE,公式(10)的优化问题完成。
上述整个完整的优化算法,如表1所示。
表1恢复空时信号X和时间相关矩阵R的优化算法
直到k达到最大迭代次数,迭代次数为根据情况设定。
实施例
为了验证本发明所提出算法的信号恢复性能,在两个现实数据库上进行仿真,这两个数据库分别是海平面温度数据库和加州每日平均PM2.5数据库。在仿真中,对每个数据库,首先构建一个无向加权图,接着对数据在不同采样率下进行采样,采样策略为简单随机抽样。由于数据总量太大,在仿真中只分析并恢复前100个时刻的数据。图2~图5表明在这两种数据库下,本发明所提算法在恢复准确度方面更具优势。
从图2中可以看出,对于海平面温度数据库来说,在每一时刻,当不考虑相关矩阵时运用本发明所提方法进行数据恢复,效果已经明显好于现存的其他方案,当进一步考虑相关矩阵后,恢复性能又进一步提升。从图3中可以看出,对于不同采样率,总的空时信号的恢复性能也会有着明显提升。而从图4、图5中也能看出,对于加州PM2.5数据库来说,也有着相似的结论。但恢复性能的提升并没有之前在海平面温度数据库中那么明显,这可能是因为海平面温度数据库更贴近本发明中的模型假设,而PM2.5数据库会和本发明的模型稍有偏差。但尽管是在这种情况下,本发明提出的方案依然有恢复性能的提升。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
2.根据权利要求1所述的一种基于空时平滑性和时间相关性的空时信号恢复方法,其特征在于,步骤1中,所述原始空时信号X为无向加权图G的空时信号,L为无向加权图G的拉普拉斯矩阵,L的计算式为:
L=D-W (2)
其中,D为无向加权图G的度矩阵,W为无向加权图G的权重矩阵。
4.根据权利要求1所述的一种基于空时平滑性和时间相关性的空时信号恢复方法,其特征在于,公式(10)中,tr(D(X)TLD(X))表示采样空时信号Y的差分平滑性,其中D(X)为修正后的时间差分信号,其计算公式为:
D(X)=X-RXB=[a1,a2-Ra1,…,aM-RaM-1] (8)
其中,ai=[a1,i,a2,i,…,aN,i],为在第i个时刻采集到的信号;B为差分矩阵。
5.根据权利要求1所述的一种基于空时平滑性和时间相关性的空时信号恢复方法,其特征在于,公式(10)中,tr(XTLX)为采样空时信号Y的单一时刻的平滑性。
6.根据权利要求1所述的一种基于空时平滑性和时间相关性的空时信号恢复方法,其特征在于,步骤2中,恢复原始空时信号X过程中,迭代恢复每一次Xk+1对应的公式为:
将公式(11)转化为等效分裂形式:
公式(12)对应的增广拉格朗日函数为:
其中,A为一个优化变量,P为拉格朗日乘子,ρ为惩罚项系数,<·,·>表示两个矩阵的内积;
针对式(13)对原始空时信号X通过迭代k次恢复,具体包括以下步骤:
步骤2.1.初始化X0=Y,Z0=Y,P0=0,R0=I,k=0;其中I为单位矩阵;
步骤2.2.计算k=1时的X1;
步骤2.3.通过k=1时的X1和通过CVX工具包计算出的R1计算出k=2时的X2;
步骤2.4.通过k=2时的X2和通过CVX工具包计算出的R2计算出k=3时的X3,依次类推,直至k为设定次数,计算出最终的XE,为恢复的最终空时信号XE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943595.7A CN110780604B (zh) | 2019-09-30 | 2019-09-30 | 一种基于空时平滑性和时间相关性的空时信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943595.7A CN110780604B (zh) | 2019-09-30 | 2019-09-30 | 一种基于空时平滑性和时间相关性的空时信号恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780604A true CN110780604A (zh) | 2020-02-11 |
CN110780604B CN110780604B (zh) | 2021-01-19 |
Family
ID=69385077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910943595.7A Active CN110780604B (zh) | 2019-09-30 | 2019-09-30 | 一种基于空时平滑性和时间相关性的空时信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780604B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737639A (zh) * | 2020-06-24 | 2020-10-02 | 桂林电子科技大学 | 一种1-范数和2-范数混合的时变图信号分布式修复方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136239A (zh) * | 2011-11-29 | 2013-06-05 | 北京理工大学 | 一种基于张量重建的交通数据丢失恢复方法 |
JP2013115658A (ja) * | 2011-11-29 | 2013-06-10 | Nippon Hoso Kyokai <Nhk> | 時空間低相関画像超解像装置、画像空間超解像装置、及びそれらのプログラム |
US20150124560A1 (en) * | 2013-11-01 | 2015-05-07 | Conocophillips Company | Compressive sensing |
CN105472657A (zh) * | 2015-12-14 | 2016-04-06 | 南开大学 | 基于低秩张量的一种无线传感器网络中数据重构方法 |
CN106934778A (zh) * | 2017-03-10 | 2017-07-07 | 北京工业大学 | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 |
US20170205482A1 (en) * | 2016-01-20 | 2017-07-20 | The General Hospital Corporation | Systems and methods for statistical reconstruction of magnetic resonance fingerprinting data |
CN107728211A (zh) * | 2017-08-31 | 2018-02-23 | 电子科技大学 | 基于张量核范数正则化的地震信号恢复算法 |
WO2018049595A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 |
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
CN109636869A (zh) * | 2018-11-28 | 2019-04-16 | 浙江大学 | 基于非局部全变分和低秩约束的动态pet图像重建方法 |
CN109684601A (zh) * | 2018-11-23 | 2019-04-26 | 河海大学常州校区 | 一种基于低秩矩阵完备化的空气质量数据恢复方法 |
CN109684314A (zh) * | 2018-12-17 | 2019-04-26 | 南京旅游职业学院 | 一种基于空间结构的无线传感器网络缺失值估计方法 |
-
2019
- 2019-09-30 CN CN201910943595.7A patent/CN110780604B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136239A (zh) * | 2011-11-29 | 2013-06-05 | 北京理工大学 | 一种基于张量重建的交通数据丢失恢复方法 |
JP2013115658A (ja) * | 2011-11-29 | 2013-06-10 | Nippon Hoso Kyokai <Nhk> | 時空間低相関画像超解像装置、画像空間超解像装置、及びそれらのプログラム |
US20150124560A1 (en) * | 2013-11-01 | 2015-05-07 | Conocophillips Company | Compressive sensing |
CN105472657A (zh) * | 2015-12-14 | 2016-04-06 | 南开大学 | 基于低秩张量的一种无线传感器网络中数据重构方法 |
US20170205482A1 (en) * | 2016-01-20 | 2017-07-20 | The General Hospital Corporation | Systems and methods for statistical reconstruction of magnetic resonance fingerprinting data |
WO2018049595A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 |
CN106934778A (zh) * | 2017-03-10 | 2017-07-07 | 北京工业大学 | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 |
CN107728211A (zh) * | 2017-08-31 | 2018-02-23 | 电子科技大学 | 基于张量核范数正则化的地震信号恢复算法 |
CN109684601A (zh) * | 2018-11-23 | 2019-04-26 | 河海大学常州校区 | 一种基于低秩矩阵完备化的空气质量数据恢复方法 |
CN109636869A (zh) * | 2018-11-28 | 2019-04-16 | 浙江大学 | 基于非局部全变分和低秩约束的动态pet图像重建方法 |
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
CN109684314A (zh) * | 2018-12-17 | 2019-04-26 | 南京旅游职业学院 | 一种基于空间结构的无线传感器网络缺失值估计方法 |
Non-Patent Citations (5)
Title |
---|
CAMILLE POIGNARD,ECT: "SPECTRA OF LAPLACIAN MATRICES OF WEIGHTED GRAPHS:STRUCTURAL GENERICITY PROPERTIES", 《HTTPS://ARXIV.ORG/PDF/1704.01677.PDF》 * |
JINGFEI HE,ECT: "Real-Time Data Recovery in Wireless Sensor Networks Using Spatiotemporal Correlation Based on Sparse Representation", 《WIRELESS COMMUNICATIONS & MOBILE COMPUTING》 * |
PAFFENROTH,R.,ECT: "Space-Time Signal Processing for Distributed Pattern Detection in Sensor Networks", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
任福全: "基于正则化方法的图像与图像序列恢复研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
程凯: "基于压缩感知的稀疏采样与成像方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737639A (zh) * | 2020-06-24 | 2020-10-02 | 桂林电子科技大学 | 一种1-范数和2-范数混合的时变图信号分布式修复方法 |
CN111737639B (zh) * | 2020-06-24 | 2023-05-16 | 桂林电子科技大学 | 一种1-范数和2-范数混合的时变图信号分布式修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110780604B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN106203625B (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN108804392B (zh) | 一种基于时空约束的交通数据张量填充方法 | |
CN104615983A (zh) | 基于递归神经网络和人体骨架运动序列的行为识别方法 | |
CN109359404B (zh) | 基于经验小波消噪和神经网络融合的中长期径流预报方法 | |
CN110377942B (zh) | 一种基于有限高斯混合模型的多模型时空建模方法 | |
CN110490219B (zh) | 一种基于纹理约束的U-net网络进行地震数据重建的方法 | |
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
Zeng et al. | A probabilistic collocation-based Kalman filter for history matching | |
CN112541572A (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
CN110705029A (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
Zhou et al. | Network traffic prediction method based on improved echo state network | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
CN112905656A (zh) | 一种融合时序网络的动态社区发现系统 | |
CN115828990A (zh) | 融合自适应图扩散卷积网络的时空图节点属性预测方法 | |
CN111242867B (zh) | 基于截断泰勒级数近似的图信号分布式在线重构方法 | |
CN114548532A (zh) | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 | |
CN110780604B (zh) | 一种基于空时平滑性和时间相关性的空时信号恢复方法 | |
Zhang et al. | Multi-source information fused generative adversarial network model and data assimilation based history matching for reservoir with complex geologies | |
CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
CN115187343A (zh) | 基于注意图卷积神经网络的多行为推荐方法 | |
CN113222071A (zh) | 一种基于岩石薄片显微图像深度学习的岩石分类方法 | |
CN112132096A (zh) | 动态更新输出权值的随机配置网络的行为模态识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |