通过多层稀疏逼近实现快速图傅里叶变换
本文研究了图傅里叶变换,其特征分解通过 $A$ 的乔然子空间进行,多用于大型稀疏图的缺陷邻接矩阵,通过谱投影器表达 GFT,并以真实的城市交通数据集为例进行了说明。
Jan, 2017
该研究介绍了如何利用图信号处理的概念和工具,诸如图滤波器和变换,以开发新的机器学习算法,并提供了未来 GSP 技术发展的新视角,以解锁在现代数据分析中的许多挑战。
Jul, 2020
本文研究如何在图形信号处理领域中利用字典设计和变换方法来识别和利用加权图中信号的结构。通过定义广义卷积、平移和调制运算符等,我们实现了窗口傅里叶分析的图形处理方法,在任何未指定方向、连接、加权的图上对信号进行分析。
Jul, 2013
本文提出了一种解决现有图傅里叶变换中存在的多值频率以及无法区分方向的问题的多维图傅里叶变换,该变换具有定向频率分析的功能,同时还能实现常规 GFT 中无法实现的滤波和稳定性,可适用于各种能够被视为笛卡尔积图上的信号。
Dec, 2017
本文提出了一种新颖的图傅里叶变换 (GFT) 的推广,它基于分别考虑信号能量和信号变化的定义,从而导致几种可能的正交 GFT。我们的方法包括传统的 GFT 定义作为特殊情况,同时也导致新的 GFT 设计,更好地考虑了图的不规则性。具体而言,在传感器网络的上下文中,我们使用顶点的 Voronoi 单元面积来定义 GFT,表明即使采样高度不规则,这导致更明智的图形信号能量定义。
Feb, 2018
该论文通过 Lanczos 方法,提出了一种精确、鲁棒、可扩展和高效的算法,用于大规模图的信号处理和滤波,相较于基于 Chebyshev 多项式的现有方法,其在不增加整体复杂度的情况下实现了更高的准确性,并且特别适用于具有大谱间隙的图。
Sep, 2015
本文提出了一种基于图信号处理的快速谱聚类算法,通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计,利用这些随机向量的随机性来估计聚类数目 k,相较于传统谱聚类方法,我们的方法在大规模数据集上表现相当且速度至少快二倍。
Sep, 2015