【CN109921799A】一种基于聚能量字典学习的张量压缩方法【专利】
一种融合张量填充和张量恢复的数据重建方法[发明专利]
![一种融合张量填充和张量恢复的数据重建方法[发明专利]](https://img.taocdn.com/s3/m/2b66e955f4335a8102d276a20029bd64783e622c.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201611155058.9(22)申请日 2016.12.14(71)申请人 北京理工大学地址 100081 北京市海淀区中关村南大街5号(72)发明人 谭华春 宋力 何洪文 伍元凯 李琴 王芃晔 (51)Int.Cl.G06F 17/10(2006.01)G06F 17/30(2006.01)(54)发明名称一种融合张量填充和张量恢复的数据重建方法(57)摘要本发明涉及一种融合张量填充和张量恢复的数据重建方法，包括：分析待重建数据的多模式相关性；根据分析结果将待重建数据构建为张量，其中元素同时受到数据丢失和数据污染并包含低秩部分和稀疏部分，低秩部分为真实数据并且由真实数据的多模式相关性决定，稀疏部分为噪声数据；基于张量的张量填充和张量恢复构建优化函数，张量填充对应数据丢失，张量恢复对应数据污染；将优化函数转换为可求解函数；以及对可求解函数进行求解，得出真实数据。
本发明的数据重建方法能够同时解决数据的丢失和受污染的问题，同时完成数据的填充和恢复，具有收敛速度快，精度高的优点。
权利要求书2页 说明书8页 附图2页CN 107220211 A 2017.09.29C N 107220211A1.一种融合张量填充和张量恢复的数据重建方法，包括：分析待重建数据的多模式相关性，得出分析结果；根据所述分析结果将待重建数据构建为张量，所述张量中的元素同时遭受到数据丢失和数据污染并且包含低秩部分和稀疏部分，所述低秩部分为真实数据并且由真实数据的多模式相关性决定，所述稀疏部分为噪声数据；基于张量的张量填充和张量恢复构建优化函数，其中，张量填充对应数据丢失，张量恢复对应数据污染；将所述优化函数转换为可求解函数；以及对所述可求解函数进行求解，得出所述真实数据。
2.根据权利要求1的方法，所述优化函数为：其中，min表示最小化，表示待重建数据的张量，表示低秩部分的张量，表示稀疏部分的张量，表示的秩，η表示调整参数且η>0，Ω表示在待重建数据中观察到的表数据的集合，表示只考虑中待重建数据中观察到数据的位置处的元素，||·||示0范数，0范数的最小化表示数据的稀疏。
一种基于压缩感知的目标识别方法[发明专利]
![一种基于压缩感知的目标识别方法[发明专利]](https://img.taocdn.com/s3/m/fcee8594f242336c1fb95eab.png)
专利名称：一种基于压缩感知的目标识别方法专利类型：发明专利
发明人：程雪岷,郝群,董常青,王育琦
申请号：CN201710548175.X
申请日：20170706
公开号：CN107273908A
公开日：
20171020
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于压缩感知的目标识别方法，包括步骤：获取至少两类目标的标准样本图；采用特征原子提取方法得到各类目标的特征原子；将每类所述目标的各个特征原子分别对角排列组成每类目标的字典Ψ，并将各类目标的字典并列排列组成综合的字典Ψ；采用测量矩阵Φ对待识别的原始图像x进行压缩采样，得到压缩的采样信号y；结合综合的字典Ψ、测量矩阵Φ和采样信号y，通过重构计算得到待识别的原始图像的稀疏系数θ；将稀疏系数θ进行处理得到系数图，根据系数图中连通域所处的行数以及大小进行分类识别和计数，以实现对原始图像中的各类所述目标的识别。
本发明提出的目标识别方法，能够提高在图像中目标识别的速度，并可以实现多目标识别。
申请人：清华大学深圳研究生院
地址：518055 广东省深圳市南山区西丽大学城清华校区
国籍：CN
代理机构：深圳新创友知识产权代理有限公司
代理人：方艳平
更多信息请下载全文后查看。
一种结合字典学习和图像分块的感知压缩方法[发明专利]
![一种结合字典学习和图像分块的感知压缩方法[发明专利]](https://img.taocdn.com/s3/m/d1d99d88ddccda38366bafe6.png)
专利名称：一种结合字典学习和图像分块的感知压缩方法专利类型：发明专利
发明人：种衍文,潘少明,冯宗伟,郑炜玲,李红
申请号：CN201711086754.3
申请日：20171107
公开号：CN107888915A
公开日：
20180406
专利内容由知识产权出版社提供
摘要：本发明公开了一种结合字典学习和图像分块的感知压缩方法，首先选取训练图像，在确定字典原子个数的情况下训练解析字典。
然后再编码端读入待压缩的图像，利用解析字典对图像进行稀疏表示，再根据稀疏系数矩阵中元素的大小选择最优化系数同时将最优化系数的所对应的原子空间提取出来作为当前数据重建端的字典，然后获取系数的标签信息和位置信息，传输到解码端。
最后在解码端进行重构，恢复原始图像。
本发明比同类方法，缩短了重构时间，而且提升了重构精度，有较强的实用性。
申请人：武汉大学
地址：430072 湖北省武汉市武昌区珞珈山武汉大学
国籍：CN
代理机构：武汉科皓知识产权代理事务所(特殊普通合伙)
代理人：魏波
更多信息请下载全文后查看。
一种基于语义分析的数据压缩算法[发明专利]
![一种基于语义分析的数据压缩算法[发明专利]](https://img.taocdn.com/s3/m/f7f17ccb951ea76e58fafab069dc5022aaea466a.png)
(10)申请公布号 (43)申请公布日 2014.04.16C N 103731154A (21)申请号 201310533958.2(22)申请日 2013.11.01H03M 7/30(2006.01)(71)申请人陕西理工学院地址723001 陕西省汉中市汉台区朝阳路88号(72)发明人洪歧(54)发明名称一种基于语义分析的数据压缩算法(57)摘要本发明公开了一种基于语义分析的数据压缩算法，是一般受限语言文本文件的压缩方法，并针对C 语言源文件文本压缩问题，利用C 语言的语法格式的严格性，以C 语言基本元素为文本压缩的基本元素，通过采用哈夫曼编码方法进行编码，给出了一种C 语言文本压缩方法——基于语义分析的文本压缩方法。
实验表明：该方法的压缩比比原始的哈夫曼文本压缩提高了将近1.5倍。
(51)Int.Cl.权利要求书1页 说明书3页 附图2页(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页 说明书3页 附图2页(10)申请公布号CN 103731154 A1/1页1.一种基于语义分析的数据压缩算法，其特征在于，包括以下步骤：1)打开要进行压缩的C 语言文本文件，按照C 语言对于文本的分类，依次获取各个关键元素，忽略次要元素，并保存在一个双向链表LinkSrc 中；2)遍历链表LinkSrc ，统计各个元素出现的次数，以该元素的基本信息为节点，新建立成一个双向链表LinkRate ；3)以链表LinkRate 中的节点做为叶子节点，组成一颗哈夫曼树，树根为LinkRoot ；4)将LinkRoot 中的叶子节点复制并保存为一个数组Code ，记录叶子节点对应的哈夫曼编码；5)遍历LinkSrc ，将其中的内容转换为数组Code 中对应的哈夫曼编码，保存到对应的压缩文件中；6)将哈夫曼树保存到文件中，该文件名对应于相应的源文件；7)利用上述方法的逆运算实现解码，在解压的过程中，将忽略掉的内容进行恢复。
基于张量的视频快照压缩成像恢复方法[发明专利]
![基于张量的视频快照压缩成像恢复方法[发明专利]](https://img.taocdn.com/s3/m/583e7de348649b6648d7c1c708a1284ac85005be.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201911389380.1(22)申请日 2019.12.30(71)申请人 西安电子科技大学地址 710071 陕西省西安市太白南路2号(72)发明人 孙岳 王军军 鲁卫军 李颖 (74)专利代理机构 陕西电子工业专利中心61205代理人 王品华 黎汉华(51)Int.Cl.H04N 19/44(2014.01)H04N 19/19(2014.01)H04N 19/192(2014.01)H04N 19/36(2014.01)H04N 19/97(2014.01)H04N 19/176(2014.01)(54)发明名称基于张量的视频快照压缩成像恢复方法(57)摘要本发明公开了一种基于张量的视频快照压缩成像恢复方法，主要解决现有技术解码恢复视频质量差且耗时长的问题。
其实现方案是：1)输入压缩数据帧和掩码张量；2)利用输入压缩数据帧，自适应计算压缩数据帧对应的噪声方差；3)根据1)和2)的结果，以非中心相似块张量的加权张量核范数作为约束，通过交替方向乘子法初步得到要恢复的目标图像；4)以非中心相似块矩阵的加权矩阵核范数作为约束，通过交替方向乘子法对初步得到的目标图像进行细节补全，最终获得要恢复的目标图像。
本发明与现有技术相比，减少了运行时间，提高了图像恢复的精度，可用于高速压缩视频和高光谱压缩图像的解码。
权利要求书6页 说明书11页 附图5页CN 111147863 A 2020.05.12C N 111147863A1.一种基于张量的视频快照压缩成像恢复方法，其特征在于，包括如下：(1)输入压缩数据帧Y和掩码张量其中，压缩数据帧掩码张量压缩数据帧为F个连续视频帧的第f帧，1≤f≤F，作为三阶张量视频数据的第f个正面切面，为与第f帧视频相对应的掩码矩阵，其为0和1构成的稀疏矩阵，作为三阶掩码张量的第f个正面切面，n1和n2分别表示每一帧视频帧的长和宽，⊙表示基于元素的矩阵乘积，为噪声；(2)利用压缩数据帧Y和掩码张量自适应计算压缩数据帧Y对应的噪声方差(3)基于(1)中的压缩数据帧Y和掩码张量以及(2)得到的噪声方差利用非中心相似块张量恢复方法，计算三阶目标张量的初步估计张量3a)利用非中心相似块张量，以加权张量核范数作为约束，得到交替方向乘子法框架下的增广拉格朗日目标函数其中为待恢复的目标张量，为辅助张量，为拉格朗日乘子张量；3b)初始化目标函数中的平衡参数η和惩罚因子ρ，初始化目标图像辅助变量和拉格朗日乘子张量均为全零三阶张量，其中，全零三阶张量定义为张量元素均为0的三阶张量；3c)采用交替最小化方法对目标函数中的辅助变量目标张量和拉格朗日乘子张量进行交替迭代求解，得到对三阶目标张量视频数据的初步估计张量(4)基于视频数据的初步估计和掩码张量利用非中心相似块矩阵恢复方法，得到对三阶目标张量视频数据的细节补全后的最终估计张量4a)利用非中心相似块矩阵，以加权矩阵核范数作为约束，得到交替方向乘子法框架下的增广拉格朗日目标函数其中为待恢复的目标张量，为辅助张量，为拉格朗日乘子张量；4b)采用交替最小化方法对目标函数中的辅助张量目标张量和拉格朗日乘子张量进行交替迭代求解，得到对三阶目标张量视频数据的最终估计张量最终得到快照压缩恢复的图像。
基于张量分解的压缩表示学习方法[发明专利]
![基于张量分解的压缩表示学习方法[发明专利]](https://img.taocdn.com/s3/m/41337d7bdaef5ef7bb0d3cad.png)
专利名称：基于张量分解的压缩表示学习方法专利类型：发明专利
发明人：林宙辰,耿正阳,陈鸿旭,陈鑫
申请号：CN202010095808.8
申请日：20200217
公开号：CN111340186A
公开日：
20200626
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于张量分解的压缩表示学习方法，该方法首先将通过一个微型神经网络预处理学习到的表示转化为一个待分解的张量，基于优化算法进行张量分解，求解其子空间并进行低秩重建，最后经过另一个微型神经网络加工张量分解抽取的低秩表示，融合到主干网络学习的表示中，起到正则的作用；并结合截断的单步梯度优化方法，用于改进具有多步沿时间轴迭代模型的优化算法。
本发明以一种计算友好和参数节约的方式，成功为大规模预训练和表示学习提供了正则与补充，本发明的有效性经过了大量计算机视觉的任务与应用的验证，在图像识别、语义分割、目标检测中都取得了显著效果；以更轻量级的计算和参数量，击败了计算机视觉常用的注意力机制。
申请人：之江实验室
地址：310023 浙江省杭州市余杭区文一西路1818号人工智能小镇10号楼
国籍：CN
代理机构：杭州求是专利事务所有限公司
代理人：邱启旺
更多信息请下载全文后查看。
一种基于轨迹字典的时空轨迹压缩方法[发明专利]
专利名称：一种基于轨迹字典的时空轨迹压缩方法专利类型：发明专利
发明人：郑凯,郭建楠,崔越,赵艳
申请号：CN201810587519.2
申请日：20180608
公开号：CN109033141A
公开日：
20181218
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于轨迹字典的时空轨迹压缩方法，包括轨迹字典集的建立和基于轨迹字典集的轨迹压缩两部分。
通过上述方式，本发明提供的基于轨迹字典的时空轨迹压缩方法，分别针对空间轨迹数据和时候轨迹数据，提出了3种轨迹建立方法和2种轨迹压缩算法，既保证了压缩率又能保证较高的轨迹压缩质量，具有可靠性高、准确性强等优点，同时咋数据库、数据分析、数据挖掘、轨迹数据查询与分析、轨迹数据挖掘的应用及普及上有着广泛的市场前景。
申请人：苏州大学
地址：215000 江苏省苏州市苏州市工业园区仁爱路199号
国籍：CN
代理机构：苏州广正知识产权代理有限公司
代理人：刘盼盼
更多信息请下载全文后查看。
【CN109815599A】一种离散元材料自动训练方法【专利】
根据宏观力学向量的中间值K对应的 杨氏 模量E、泊松比 v、抗压强度Cu确定对模型箱上 方压力板的 压力进行单 轴压缩试验 ，通过应力应变曲 线得到杨氏 模量实际 值E1 ，通过 侧向 应变和竖向应变的比值得到泊松比实际值v1，通过应力应变曲线峰值确定抗压强度实际值 Cu1；
根据中间值K对应的抗拉强度Tu确定加压大小，对模型箱上方的压力板进行单轴拉伸试 验，根据应力应变曲线确定模型破坏时的抗拉强度实际值Tu1；
其中，T为单元振动周期，f为一个周期内的迭代频率，f＝50。 6 .根据权利要求1所述的一种离散元材料自动训练方法，其特征在于：步骤B所述的宏 观力学向量的设定值K0为： K0＝[E0 ,v0 ,Tu0 ,Cu0 ,μi0] 其中 ，E0为杨氏 模量设定值 ，v0为泊松比 设定值 ，Tu0为抗拉强度设定值 ，Cu0为抗压强度 设定值，μi0为内摩擦系数设定值。 7 .根据权利要求6所述的一种离散元材料自动训练方法，其特征在于：步骤C所述的宏 观力学性质向量与微观力学参数的转换方法为：
根据
求出内摩擦系数的实际值μi1。
9 .根据权利要求1所述的一种离散元材料自动训练方法，其特征在于：步骤E中判断宏 观力学向量的实际值K1是否收敛于宏观力学向量的设定值K0的方法为：引入收敛系数，
σE＝E0/E1 σv＝v0/v1
如果收敛系数均在预设区间内 ，则判断实际 值K1收敛于设定值K0 ，训练过程结束 ，得到 具有接近宏观力学向量设定值K0的离散元材料。
2
CN 109815599 A
一种基于强化学习的深度神经网络压缩方法[发明专利]
专利名称：一种基于强化学习的深度神经网络压缩方法专利类型：发明专利
发明人：胡章一,彭凝多,唐博
申请号：CN201910978856.9
申请日：20191015
公开号：CN110728361A
公开日：
20200124
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于强化学习的深度神经网络压缩方法，步骤S100：基于已训练完成的卷积神经网络，训练强化学习智能体，所述强化学习智能体用于识别网络稀疏性，采用压缩方法对模型进行压缩；步骤S200：对压缩后的模型再次训练，对模型的参数进行优化，得到最终压缩模型。
本发明将庞大而复杂的深度神经网络模型压缩，使压缩后的模型能够在智能家居设备等硬件资源有限的平台上运行，相较于原模型，压缩后的模型不仅存储空间和运算量需求大幅减少，同时模型性能仍保持在原有水平，有助于实现图像识别技术在日常生活中的广泛应用，对提高生活的便利性和安全性。
申请人：四川虹微技术有限公司
地址：610000 四川省成都市中国(四川)自由贸易试验区成都高新区天府四街199号1栋33层国籍：CN
代理机构：四川省成都市天策商标专利事务所
代理人：张秀敏
更多信息请下载全文后查看。
数据的压缩方法及其压缩装置[发明专利]
专利名称：数据的压缩方法及其压缩装置专利类型：发明专利
发明人：杨阳,张磊,吴敏锋,倪海峰,雷杰申请号：CN202110370205.9
申请日：20210407
公开号：CN112769874A
公开日：
20210507
专利内容由知识产权出版社提供
摘要：本申请提供了一种数据的压缩方法及其压缩装置。
该数据的压缩方法包括根据待压缩数据对应的第一调制方式和第一预设数据位宽选择第一压缩算法作为待压缩数据对应的压缩算法，其中，第一压缩算法为在第一调制方式和第一预设数据位宽下，多种压缩算法中对样本数据进行预压缩处理后误差矢量幅度最小的压缩算法；根据第一压缩算法对待压缩数据进行压缩处理。
本申请实施例能够实现针对不同的压缩数据选择该压缩数据对应的压缩算法，有利于减小压缩误差。
申请人：南京创芯慧联技术有限公司
地址：210048 江苏省南京市江北新区星火路15号智芯科技楼9楼915室
国籍：CN
代理机构：北京布瑞知识产权代理有限公司
代理人：孟潭
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910126833.5
(22)申请日 2019.02.20
(71)申请人 重庆邮电大学
地址 400065 重庆市南岸区南山街道崇文
路2号
(72)发明人 张祖凡 毛军伟 甘臣权 孙韶辉
(74)专利代理机构 重庆市恒信知识产权代理有
限公司 50102
代理人 刘小红 陈栋梁
(51)Int.Cl.
H03M 7/30(2006.01)
(54)发明名称
一种基于聚能量字典学习的张量压缩方法
(57)摘要
本发明请求保护一种基于聚能量字典学习
的张量压缩方法，属于信号处理领域。
所述方法
包括以下步骤：1、将张量分别进行塔克分解和稀
疏表示，得到字典、稀疏系数和核张量；2、通过张
量的稀疏系数和核张量的关系，得到关于张量的
新的稀疏表示形式；3、利用聚能量字典学习算法
对映射矩阵中的字典进行降维，从而实现张量的
压缩。
本发明提出的基于聚能量字典学习的张量
压缩算法，实现了张量的有效压缩，相对于其他
压缩算法，能够更有效地保留原始张量的信息，
达到更好地去噪效果。
权利要求书3页 说明书8页 附图2页CN 109921799 A 2019.06.21
C N 109921799
A
1.一种基于聚能量字典学习的张量压缩方法，其特征在于，包括以下步骤：
步骤1)：获取多维信号并将多维信号表示为张量，输入张量并进行稀疏表示和塔克分解；
步骤2)利用稀疏表示中稀疏系数张量与塔克分解得到的核心张量的近似关系，得到关于原始张量的新的张量稀疏表示形式；；
步骤3)对步骤2)新的张量稀疏表示形式，根据张量运算性质，转换为关于字典表示的映射矩阵形式；
步骤4)利用聚能量字典学习算法降维的思想对映射矩阵中的字典进行降维，从而实现张量的压缩。
2.根据权利要求1所述的一种基于聚能量字典学习的张量压缩方法，其特征在于，所述步骤1)通过塔克分解得到核心张量在每个维度上与映射矩阵乘积的形式，在塔克分解过程中，
得到如下表示
A∈R I ×P ,B∈R J ×Q ,C∈R K ×R ,为正交矩阵又称为因子矩阵，反应了各个维度上的主成分，Z ∈R P ×Q ×R 为核心张量，反应了各个维度的相关情况。
P、Q和R分别对应因子矩阵A、B和C的列数，I、J和K表示原始张量每个维度的大小，若P、Q、R小于I、J、K，那么核心张量可以看做是原始张量的压缩；
对于N阶张量，塔克分解形式为
χ＝Z ×1A 1×2A 2...×N A N
χ表示输入的张量信号，Z表示核心张量，A i 表示各个维度上的分解矩阵，为正交矩阵。
3.根据权利要求2所述的一种基于聚能量字典学习的张量压缩方法，其特征在于，所述
步骤1)张量的稀疏表示的表示形式为
表示稀疏表示之后的信号，S表示稀疏系数张量，N表示自张量的阶数，D i 表示各个维度上的字典。
4.根据权利要求3所述的一种基于聚能量字典学习的张量压缩方法，其特征在于，所述步骤2)通过观察张量的稀疏表示和塔克分解形式，发现两个表达式是相似的，由塔克分解得到核张量的表示为
Z＝χ×1A 1T ×2A 2T ...×N A N T
利用稀疏系数张量和核张量的近似关系，
将核张量的表达式代入张量稀疏表示中得到
5.根据权利要求4所述的一种基于聚能量字典学习的张量压缩方法，其特征在于，所述步骤3)对步骤2)新的张量稀疏表示形式，根据张量运算性质，转换为关于字典表示的映射矩阵形式，具体包括：
在张量的运算中，当m≠n时，
权 利 要 求 书1/3页2CN 109921799 A。