1) sparse representation
稀疏表征
1.
A novel two-stage approach to underdetermined blind speech separation is presented,which is based on sparse representation.
提出了一种新的混叠语音盲分离方法,即在欠定的情况下基于信号的稀疏表征,通过两个阶段估计出混叠矩阵和源信号。
2) sparse feature
稀疏特征
1.
Dynamic clustering method on the basis of sparse feature;
基于属性稀疏特征差异度的动态抽象聚类方法
2.
The sparse feature difference degree and the minimum cost spanning tree are used to resolve the problem of high attribute dimensional data clustering which exists in information classifying,in order to support the central idea,an example is given in the paper.
针对文本信息聚类中的高属性维稀疏数据聚类问题,采用计算对象间稀疏特征差异度来度量文本对象之间的相关度,结合最小生成树的方法来进行聚类分析,提出一种基于稀疏特征差异度的聚类方法。
3.
The learning of the weight matrix be done by means of finding weight matrix of equal matrix,and elements of initials weight matrix consist of sparse feature difference degree,so a sparse feature difference degree is given.
针对高属性维稀疏数据聚类问题 ,定义了模糊取大逻辑神经元 ,给出一种新的单层离散型回归逻辑神经网络模型 ,由稀疏特征差异度组成的相似阵作为该网络的初始权矩阵 ,通过单层离散型回归逻辑神经网络学习算法 ,可求出相似矩阵的等价阵 ,根据等价阵 ,给定不同的阈值 ,可动态地、有效地实现对高属性维稀疏数据的归并 ,使得聚类结果更符合实际情况 ,聚类质量较高 。
3) sparse representation
稀疏表示
1.
Image denoising based on adaptive over-complete sparse representation
基于自适应超完备稀疏表示的图像去噪方法
2.
This paper discusses the recoverability of underdetermined blind source separation(BSS),based on a two-stage sparse representation approach.
基于一种两步稀疏表示的方法,利用随机框架讨论欠定盲源分离的恢复能力。
3.
By adopting the method of sparse component analysis,it discusses the recoverability of underdetermined blind source separation based on sparse representation.
采用稀疏分量分析方法,研究了基于稀疏表示的欠定混叠盲信号分离的可恢复性,给出了在l2范数下,源信号可恢复的充分必要条件,并进一步讨论了l2范数解对噪声的鲁棒性。
4) sparse eigenvalue
稀疏特征值
1.
Inter-area low frequency oscillation analysis based on Prony and sparse eigenvalue methods;
基于Prony和稀疏特征值算法的区间低频振荡分析
5) sparse feature tree
稀疏特征树
1.
This data structure, called sparse feature tree, is used to represent the feature set to speed up the process of feature search (or feature matching), so that speed up the process of probability calculation and execu.
这种数据结构称为稀疏特征树,用于表示特征集合,以提高特征查找(或特征匹配)的速度,从而提高概率计算和执行系统的速度。
6) sparse tabular method
稀疏表格法
1.
This research adopted MATLAB as its working language and development environment,developed a universal analyzing program for the DC circuit by using the sparse tabular method,and applied the GUI programming method to design the customer interface which is easy to input and flexible,thus realizing the automatic solution of any linear circuit.
以MATLAB为工作语言和开发环境,利用稀疏表格法编制了通用稳态电路分析程序,并应用GUI程序设计方法,设计出输入方便、适应性强的用户界面,实现了任意线性电路的自动求解。
补充资料：稀疏矩阵
非零元素占全部元素的百分比很小(例如5%以下)的矩阵。有的矩阵非零元素占全部元素的百分比较大（例如近50％），但它们的分布很有规律，利用这一特点可以避免存放零元素或避免对这些零元素进行运算，这种矩阵仍可称为稀疏矩阵。图1用阴影表示出一些常见的稀疏矩阵中非零元素的分布。
早在一个世纪以前，C.F.高斯、C.G.J.雅可比和其他一些人已经研究过利用矩阵稀疏性的一些办法。20世纪50年代，在线性规划和边值问题的数值解中曾出现过一些处理稀疏问题的技术。D.M.杨和R.S.瓦尔加关于迭代法方面的研究也可看作处理高阶稀疏问题的结果。但是，现代的稀疏矩阵技术主要是在60年代以后发展起来的，以60年代初期和中期W.F.廷尼和R.A.威洛比等人关于直接法的研究作为开端。稀疏矩阵的研究已经渗入到很多领域。例如，在结构分析、网络理论、电力分配系统、化学工程、摄影测绘学以及管理科学等方面研究中，都出现了上千阶直至几十万阶的稀疏矩阵。
这里考察从一个电信总局到其各支局间的通信问题。不妨假定有五个支局，依次编为1，2，3，4，5号,而总局编为6号，在平面上分别使用①，②，...,⑥这六个点表示（图2）。如果规定i局和j局之间有通信关系的话，在点i和j之间用一条线连结，对应于矩阵中Aij块和Aji块非零,i局本身内部也有通信关系,对应于矩阵Aii块非零,那么，这个问题所导出的矩阵是一个双面镶边的块对角矩阵它是一个稀疏矩阵。
解线性方程组的直接法的稀疏矩阵技术，根据不同领域中不同问题的特点，有各种不同稀疏解法。最常用的方法有稀疏去零消元法、等带或变带宽消元法、波阵法、子结构法、撕裂和修改技术等，它们都只不过是消元法或三角分解法在各种具体场合下的运用。
各种消元法方案中的关键问题都是方程式和未知数的排序问题。确切地说，就是在用某种直接法解稀疏线性方程组时，对方程式和未知数进行适当排序，使得在满足一定的稳定性要求的前提下，解方程组所需的运算量和存贮量最少。一般说来，这等价于使新产生的非零元（"添补数"）最少。例如，对矩阵
作一步消元法，将A变成，右下角子阵是满的,A的零元所在位置上产生了许多非零元，破坏了稀疏性，这就要增加许多存贮量和运算量；如果将矩阵A的第一行与最后一行,第一列与最后一列交换，这相当于重新排列方程式和未知数的次序，得矩阵，对??作消元法时,不会有新的非零元产生，存贮量和运算量大大减少。
与常用的算法相对应,排序问题可分为以下三类:①预先把矩阵排列成带型或变带宽型，并使带宽或剖面尽可能小；②预先把矩阵排列成块三角矩阵或其他特殊分块矩阵；③在稀疏消元法的消元过程中，根据产生添补数最少的原则来确定选主元的次序（这也是一种排序）。对一般矩阵，排序问题是一个非常困难的问题，因为对一个给定的矩阵来说，所有可能的次序总数是一个巨大的数字，可以给出的排序算法只是按某一特殊准则来确定"最佳次序"的。讨论中常用图论作为工具。
稀疏矩阵的存贮并没有一种最好的方式，在各种具体情况下，最好的方式与要存贮矩阵的结构及用途有关一种好的标准是矩阵的元素容易查找而且存贮量少。存贮方式基本上采用压缩形式，使矩阵中大量的零元素不参加运算，以减少机器的运行时间，并可提高机器处理高阶矩阵问题的能力。
对于带型矩阵，只存贮带内或剖面内的元素。如对矩阵
可用等带宽存贮法，在带的左上角和右下角增添若干个任意元素x，把带内的元素存放在矩形数组
中。对于对称带型阵可用变带宽存贮法。它需要两个数组：①存放剖面内的元素的一维数组S[1:11]={b11,b21，b22，b31，0，b33,b44，b53,0,b55,b66}；②对角元数组D[1:6]={1,3,6,7,10,11}，在它的第i个位置上存放对角元bii在数组S中的序号。这样,矩阵的元素bij可通过D，i，j在S中找到。对应关系为并规定D(0)=0。例如,由D[3]=6,D[2]=3,D[3]-3+1>D[2]，可得b31=S[4]。
对于元素随机分布的稀疏矩阵，只存贮矩阵的非零元素和必要的检索信息。如对 可用行指针列标格式存贮，它需要三个数组：①根据按行向右的次序，存放矩阵非零元值的数组 V={p11，p12，p14，p23，p31，p34，p41，p43,p44};②存放V中每一元素在原矩阵中的列标的数组C=｛1,2,4,3,1,4,1,3,4｝;③数组R=｛1,4,5,7,10｝，在它的第i个位置上存放矩阵第i行的第一个非零元在数组V中的序号,最后一个位置上的数等于矩阵非零元素个数加1。矩阵p的任意非零元素可根据R和C的值定出它在V中的位置。例如p31,先由R[3]=5，R[4]=7，确定第三行有两个非零元V[5]和V[6]，再检查V[5]和V[6]的列标,由C[5]=1,C[6]=4，可推出V[5]=p31。
此外，还有连接表存贮法和超矩阵存贮法等。
对稀疏矩阵的共轭斜量法、隆措什法等迭代法研究的兴趣日益浓厚，稀疏矩阵的研究也不再局限于稀疏线性方程组的解法问题，而是扩展为对所有高阶稀疏问题的研究。
参考书目
梯华森著,朱季纳译：《稀疏矩阵》，科学出版社,北京，1981。(R.P.Tewarson,Sparse Matrices,AcademicPress, New York, 1973.)
早在一个世纪以前，C.F.高斯、C.G.J.雅可比和其他一些人已经研究过利用矩阵稀疏性的一些办法。20世纪50年代，在线性规划和边值问题的数值解中曾出现过一些处理稀疏问题的技术。D.M.杨和R.S.瓦尔加关于迭代法方面的研究也可看作处理高阶稀疏问题的结果。但是，现代的稀疏矩阵技术主要是在60年代以后发展起来的，以60年代初期和中期W.F.廷尼和R.A.威洛比等人关于直接法的研究作为开端。稀疏矩阵的研究已经渗入到很多领域。例如，在结构分析、网络理论、电力分配系统、化学工程、摄影测绘学以及管理科学等方面研究中，都出现了上千阶直至几十万阶的稀疏矩阵。
这里考察从一个电信总局到其各支局间的通信问题。不妨假定有五个支局，依次编为1，2，3，4，5号,而总局编为6号，在平面上分别使用①，②，...,⑥这六个点表示（图2）。如果规定i局和j局之间有通信关系的话，在点i和j之间用一条线连结，对应于矩阵中Aij块和Aji块非零,i局本身内部也有通信关系,对应于矩阵Aii块非零,那么，这个问题所导出的矩阵是一个双面镶边的块对角矩阵它是一个稀疏矩阵。
解线性方程组的直接法的稀疏矩阵技术，根据不同领域中不同问题的特点，有各种不同稀疏解法。最常用的方法有稀疏去零消元法、等带或变带宽消元法、波阵法、子结构法、撕裂和修改技术等，它们都只不过是消元法或三角分解法在各种具体场合下的运用。
各种消元法方案中的关键问题都是方程式和未知数的排序问题。确切地说，就是在用某种直接法解稀疏线性方程组时，对方程式和未知数进行适当排序，使得在满足一定的稳定性要求的前提下，解方程组所需的运算量和存贮量最少。一般说来，这等价于使新产生的非零元（"添补数"）最少。例如，对矩阵
作一步消元法，将A变成，右下角子阵是满的,A的零元所在位置上产生了许多非零元，破坏了稀疏性，这就要增加许多存贮量和运算量；如果将矩阵A的第一行与最后一行,第一列与最后一列交换，这相当于重新排列方程式和未知数的次序，得矩阵，对??作消元法时,不会有新的非零元产生，存贮量和运算量大大减少。
与常用的算法相对应,排序问题可分为以下三类:①预先把矩阵排列成带型或变带宽型，并使带宽或剖面尽可能小；②预先把矩阵排列成块三角矩阵或其他特殊分块矩阵；③在稀疏消元法的消元过程中，根据产生添补数最少的原则来确定选主元的次序（这也是一种排序）。对一般矩阵，排序问题是一个非常困难的问题，因为对一个给定的矩阵来说，所有可能的次序总数是一个巨大的数字，可以给出的排序算法只是按某一特殊准则来确定"最佳次序"的。讨论中常用图论作为工具。
稀疏矩阵的存贮并没有一种最好的方式，在各种具体情况下，最好的方式与要存贮矩阵的结构及用途有关一种好的标准是矩阵的元素容易查找而且存贮量少。存贮方式基本上采用压缩形式，使矩阵中大量的零元素不参加运算，以减少机器的运行时间，并可提高机器处理高阶矩阵问题的能力。
对于带型矩阵，只存贮带内或剖面内的元素。如对矩阵
可用等带宽存贮法，在带的左上角和右下角增添若干个任意元素x，把带内的元素存放在矩形数组
中。对于对称带型阵可用变带宽存贮法。它需要两个数组：①存放剖面内的元素的一维数组S[1:11]={b11,b21，b22，b31，0，b33,b44，b53,0,b55,b66}；②对角元数组D[1:6]={1,3,6,7,10,11}，在它的第i个位置上存放对角元bii在数组S中的序号。这样,矩阵的元素bij可通过D，i，j在S中找到。对应关系为并规定D(0)=0。例如,由D[3]=6,D[2]=3,D[3]-3+1>D[2]，可得b31=S[4]。
对于元素随机分布的稀疏矩阵，只存贮矩阵的非零元素和必要的检索信息。如对 可用行指针列标格式存贮，它需要三个数组：①根据按行向右的次序，存放矩阵非零元值的数组 V={p11，p12，p14，p23，p31，p34，p41，p43,p44};②存放V中每一元素在原矩阵中的列标的数组C=｛1,2,4,3,1,4,1,3,4｝;③数组R=｛1,4,5,7,10｝，在它的第i个位置上存放矩阵第i行的第一个非零元在数组V中的序号,最后一个位置上的数等于矩阵非零元素个数加1。矩阵p的任意非零元素可根据R和C的值定出它在V中的位置。例如p31,先由R[3]=5，R[4]=7，确定第三行有两个非零元V[5]和V[6]，再检查V[5]和V[6]的列标,由C[5]=1,C[6]=4，可推出V[5]=p31。
此外，还有连接表存贮法和超矩阵存贮法等。
对稀疏矩阵的共轭斜量法、隆措什法等迭代法研究的兴趣日益浓厚，稀疏矩阵的研究也不再局限于稀疏线性方程组的解法问题，而是扩展为对所有高阶稀疏问题的研究。
参考书目
梯华森著,朱季纳译：《稀疏矩阵》，科学出版社,北京，1981。(R.P.Tewarson,Sparse Matrices,AcademicPress, New York, 1973.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条