✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
张量补全可恢复多路数据的缺失分量。现有方法在低秩张量优化中使用 Tucker 秩或 CANDECOMP/PARAFAC (CP) 秩来完成数据补全。事实上,这两种张量秩代表了不同的高维数据结构。在本文中,我们建议通过联合最小化低秩张量近似中的 CP 秩和 Tucker 秩,同时利用两种数据结构进行图像恢复。我们使用乘子交替方向法(ADMM)将具有两个张量秩的优化模型重新表述为两个子问题,每个子问题只有一个张量秩优化。对于ADMM中的两个主要子问题,我们分别应用秩一张量更新和矩阵核范数加权和最小化方法来解决。
📣 部分代码
clc;
clear;
close all
filename='TestImages/house.bmp';
img = imread(filename);
T= im2double(img);
size_tensor=size(T);
Nway =size_tensor;
ObsRatio=25;
Omega = randperm(prod(Nway));
Omega = Omega(1:round((ObsRatio/100)*prod(Nway)));
O = zeros(Nway);
O(Omega) = 1;
y=T.*O;
% y1(:,:,:,ObsRatio)=y;
known=find(y);
data=y(known>1e-3);
multi1=zeros(Nway);
multi2=zeros(Nway);
r = 50;
opts.no_noise = 1;
opts.epsilon = 1e-5;
opts.beta = 6500;
alpha = [1, 1, 1e-3];
alpha = alpha / sum(alpha);
maxIter = 50;
epsilon = 1e-5;
beta = 0.7;
stop_iter=1;
X=y;
Lambda=zeros(size_tensor);
Xlast=zeros(size_tensor);
kkk=0;
for i=1:maxIter
X=X+Lambda/beta;
known=find(X);
data=X(known);
% AA=tic;
[Z,t] =update_Z(size_tensor, r,known, data, opts,X,beta);
% CP(i)=t;
Z=reshape(Z,size_tensor);
Z(Omega) = T(Omega);
lambda = 0.99;
X=Z-Lambda/beta;
[X,t] = update_X( T,Omega,alpha, beta,lambda,X );
X(Omega) = T(Omega);
TT(i)=t;
% Lambda=zeros(size_tensor);
Lambda=Lambda+beta*(X-Z);
relative_error(i)=norm(X(:)-Xlast(:),'fro')/norm(T(:),'fro');
% beta=beta;
if(relative_error(i)<1e-5)
break;
end
kkk=relative_error(i);
Xlast = X;
end
figure;
subplot(1,3,1),imshow(T),title('orginal image');
subplot(1,3,2),imshow(y),title('missing image');
subplot(1,3,3),imshow(X),title('recovered image');
⛳️ 运行结果
🔗 参考文献
[1] Liu Y , Long Z , Huang H ,et al.Low CP Rank and Tucker Rank Tensor Completion for Estimating Missing Components in Image Data[J].IEEE Transactions on Circuits and Systems for Video Technology, 2019:1-1.DOI:10.1109/TCSVT.2019.2901311.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类