隨著科技的快速發(fā)展,數(shù)據(jù)的規(guī)模越來(lái)越大,而大部分?jǐn)?shù)據(jù)都可以被表示為矩陣的形式,換句話說(shuō),在實(shí)際應(yīng)用中,矩陣的維數(shù)在逐漸的增加。由于數(shù)據(jù)在儲(chǔ)存、傳輸、壓縮或者產(chǎn)生的過(guò)程中都難免會(huì)受到噪聲或者其他因素的影響,所以數(shù)據(jù)將會(huì)面臨缺失、損壞以及失真等問(wèn)題,而這些問(wèn)題將會(huì)嚴(yán)重的影響數(shù)據(jù)的分析和正確性,為了解決這類問(wèn)題,矩陣補(bǔ)全技術(shù)在數(shù)據(jù)分析和處理中扮演著非常重要的角色。矩陣補(bǔ)全技術(shù)被廣泛的運(yùn)用于圖像修復(fù)、推薦系統(tǒng)、視頻修復(fù)、機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)等領(lǐng)域。在過(guò)去的二十年里,有很多的學(xué)者和研究者都在對(duì)矩陣補(bǔ)全算法進(jìn)行了研究和改進(jìn),但隨著矩陣的規(guī)模和尺寸的不斷增大,過(guò)去傳統(tǒng)的矩陣補(bǔ)全算法已經(jīng)難以滿足現(xiàn)代科技的需求了,因?yàn)檫^(guò)高的計(jì)算成本,導(dǎo)致很多問(wèn)題的解決方案變得不現(xiàn)實(shí)。矩陣補(bǔ)全技術(shù)主要分為兩個(gè)部分:第一部分為矩陣的有用信息和特征提取;第二部分為矩陣的重構(gòu)。第一部分的設(shè)計(jì)往往決定著算法的計(jì)算復(fù)雜度和補(bǔ)全效果。對(duì)矩陣的信息進(jìn)行特征提取,常用的方法有主成分分析（Principal Component Analysis,PCA）和奇異值分解（Singular Value Decomposition,SVD）,但這... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4-1張量補(bǔ)全在不同采樣率下的MSE值

不同算法在采樣率不同的情況下的補(bǔ)全結(jié)果

FRPMC在不同規(guī)模的矩陣和不同采樣率下的補(bǔ)全結(jié)果


本文編號(hào)：3676830