摘要：针对利用空间系绳系统(STS)进行面内捕获过程中系绳展开后状态保持阶段及捕获完成后系统面内运动抑制等问题,在面内角和面内角速率信号丢失情况下,基于矩阵分解采用不完全状态反馈控制方法,设计出能够抑制系绳展开完成后所出现的非标称行为、捕获后面内摆动的张力控制律,进而使系统回稳。将所设计的控制律与线性二次调节器(LQR)+降维观测器方法对比,在参数不确定的条件下检验该控制律的控制效果。仿真结果表明,所设计的控制律在超调量和调节时间上优于LQR+降维观测器方法,能够有效控制系绳的展开误差及捕获过程所带来的面内扰动。所设计的控制律结构简单,控制效果良好,且设计过程无需参数调整。

摘要：针对质量屋 (HOQ)的用户需求与产品工程性能关系矩阵以及产品工程性能的互相关矩阵的不同特点 ,提出一种对HOQ矩阵进行分解的方法 首先根据工程性能的互相关矩阵采用模糊聚类的方法 ,在给定某一阈值的情况下得到对工程性能的一种分类 ,并由此确定最后分解的模块数 在此基础上 ,基于惟一且满意度最大的原则 ,即每一个用户需求仅属于某一且惟一一个模块 ,并使分解得到的各模块中所包含关系系数之和为最大 ,将对用户需求与工程性能的关系矩阵的分解转化为一个带约束的整型规划问题 。

摘要：托攻击是协同过滤推荐系统面临的重大安全威胁.研究可抵御托攻击的鲁棒协同推荐技术已成为目前的重要课题.本文在引入用户嫌疑性评估策略的基础上,通过将用户嫌疑性及项类属等元信息与贝叶斯概率矩阵分解模型相融合,提出了用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型(Metadata-enhance dvariationa lBayesian matri xfactorization,MVBMF),并设计了相应的模型增量学习策略.实验表明,与现有推荐模型相比,这种模型具备更强的攻击耐受力,能够有效提高推荐系统的鲁棒性.

摘要：针对修正一阶区间摄动有限元法存在的一阶Taylor展开误差较大和求解摄动逆矩阵时计算效率不高的缺陷,提出区间矩阵分解摄动有限元法(Decomposed interval matrix perturbation finite element method,DIMPFEM)。该方法将系统动态刚度矩阵分解为若干系统子矩阵之和,每个系统子矩阵的摄动矩阵用摄动因子和常量矩阵的乘积表示,避免了摄动矩阵的Taylor展开误差;采用Epsilon算法求解摄动逆矩阵的修正Neumann级数,有效提高了计算效率。将DIMPFEM应用于具有区间参数的二维管道和二维商务车声腔模型的声压响应分析,分析结果表明,与修正一阶区间摄动有限元法比较,DIMPFEM获得了更高的计算精度和计算效率。

摘要：协同过滤推荐算法在工作过程中需要分析和使用大量的用户数据,存在个人隐私泄露的安全隐患。现有的大多数在推荐系统中实施隐私保护的方法,容易引入过大噪声,导致推荐质量下降。针对此问题,该文提出一种满足差分隐私保护的矩阵分解推荐算法。该算法首先将矩阵分解问题转化为两个交替进行的用户隐因子和项目隐因子优化问题,然后采用遗传算法对这两个优化问题进行求解。将增强指数机制融入到遗传算法的个体选择中,并基于寻找重要隐因子的思想设计了遗传算法的变异过程。理论分析和实验结果显示,该算法可以为用户数据提供良好的差分隐私保护,同时有效保证了推荐的准确性,在推荐系统中具有良好的应用价值。

摘要：本文基于矩阵向量空间分解的理论给出了张力集成体系平衡矩阵子空间的物理解释，结合适合于长方形矩阵分解的修正的高斯消去法，给出了张力集成体系的模态矩阵的求解方法。通过几个数值算例验证了本文结论和方法是正确可行的。

摘要：随着互联网应用的迅猛发展和语义网技术研究的深入,语义数据呈现出爆炸性增长趋势.一方面,对于语义数据实现高效存储和查询是语义网应用的重要基础,越来越多的语义应用可以依赖于此以提供更好的服务;另一方面,语义数据的爆炸性增长,对大数据环境下的语义数据的存储与查询技术提出了新的挑战.传统的基于关系型数据库的语义数据与查询系统已难以满足大规模语义数据的存储与查询需求.该文针对大规模RDF数据的存储与查询问题,以OpenRDF Sesame框架为基础,采用分布式分层式存储架构,提出并实现了属性表存储结构来进行语义数据的存储.在此基础上,针对布尔矩阵分解算法在对大规模语义数据构造属性表较慢的问题,基于Spark分布式计算框架提出并实现了并行化频繁项集挖掘算法求解大规模矩阵分解,以加速属性表的构造过程.并且,在查询层增加了基于哈希转换等查询优化.最后,基于该文所提出的索引结构和优化方法设计实现了原型系统Goldfish,并在大规模合成和真实数据集上进行了实验对比.结果表明,Goldfish原型系统比Rainbow系统查询性能平均提升约6倍,比Jena-HBase查询性能平均提升约500倍,比基于MapReduce的RDF查询系统SHARD性能平均提升约1200倍.

摘要：针对捷联惯导系统级标定中滤波法路径设计复杂、误差参数辨识未进行深入的理论分析等问题,提出一种基于矩阵分解的系统级标定算法。将系统级标定中的拟合法路径设计引入滤波法,对静止和转动过程中的误差参数辨识进行深入的理论推导和分析,设计一组7位置连续标定路径。基于矩阵分解将安装误差角分解为非正交角和正交的失准角,建立包含21项误差参数的标定误差模型,以速度误差和姿态误差为观测量,建立27维Kalman滤波模型。仿真结果表明:加速度计和陀螺零偏标定误差分别优于3μg_(n)和0.00015°/h,标度因数误差优于4.5×10^(-6),安装角误差优于1″,标定时间小于30 min,实现了高精度的误差参数全标定。

摘要：该文提出一种经由定制关系网络改进的基于矩阵分解的社会化推荐模型来缓解数据稀疏性和冷启动问题,并进一步改善大数据集导致的可扩展性问题。在该模型中,关系网络的社交影响力被建模为矩阵分解模型的用户-物品(user-item)评分倾向,而同质性则被建模为动态正则项。为了获得更好的预测精度和可扩展性,设计了一个关系网络boosting-shrinking算法,在该算法中,基于用户在数据集中的数据密度,自适应地裁减每个用户的关系网络为其定制个性化的关系网络。在稀疏水平不同的不平衡数据集上的实验表明:相比其他的基于矩阵分解的社会化推荐模型,该模型可以显著提高稀疏数据集的预测精度,有效地缓解冷启动问题,并获得较好的可扩展性。

摘要：针对多源时间序列缺失数据恢复问题,提出一种基于双重正则矩阵分解的恢复方法。该方法在多源时间序列矩阵分解的基础上,利用时间序列的平滑性构建时间序列隐含因子的二阶差分正则项,同时引入反映数据内部结构的图拉普拉斯正则项对传感器隐含因子进行约束,并在图拉普拉斯矩阵获取过程中设计了一种联合数据本身的相似度和数据变化趋势相似度的双重皮尔逊相似策略,构造数据内部的最相似图。最后,将双正则项统一于矩阵分解的框架中,利用梯度下降法实现目标函数的优化,数据实验中分别采用合成数据和真实数据验证了算法的有效性。