Obtaining Profiles Based on Localized Non-negative Matrix Factorization

Nonnegative matrix factorization (NMF) is a method to get parts based features of information and form the typical profiles. But the basis vectors NMF gets are not orthogonal so that parts-based features of information are usually redundancy. In this paper, we propose two different approaches based on localized non negative matrix factorization (LNMF) to obtain the typical user session profiles and typical semantic profiles of junk mails, The LNMF get basis vectors as orthogonal as possible so that it can get accurate profiles. The experiments show that the approach based on LNMF can obtain better profiles than the approach based on NMF.     

一种受限非负矩阵分解方法

提出一种获取潜在语义的受限非负矩阵分解方法.通过在非负矩阵分解方法的目标函数上增加3个约束条件来定义受限非负矩阵分解方法的目标函数,给出求解受限非负矩阵分解方法目标函数的迭代规则,并证明迭代规则的收敛性.与非负矩阵分解方法相比,受限非负矩阵分解方法能获取尽可能正交的潜在语义.实验表明,受限非负矩阵分解方法在信息检索上的精度优于非负矩阵分解方法.     

基于稀疏性约束非负矩阵分解的人脸年龄估计方法

基于人脸图像的年龄自动估计已经成为当前人脸识别领域的一个重要研究方向。首先通过非负矩阵分解(non-negative matrix factorization,NMF)算法对基矩阵或系数矩阵进行稀疏性约束,用形成的更具有局部表达能力的子空间对人脸图像数据进行表示。然后使用径向基函数神经网络进行训练和测试,提取包含在大多数人脸图像上的年龄信息来进行年龄估计。实验结果表明,具有稀疏性约束的非负矩阵分解算法对年龄估计问题具有良好的应用效果。     

基于潜在因子多样性的非负矩阵分解协同过滤模型

基于非负矩阵分解的协同过滤模型在高维稀疏数据的预测和填补上十分有效，该模型具有推荐个性化、有效利用其他相似用户回馈信息的优点，但也存在预测精度较低等不足。针对用户或项目在不同情景下的评分差异性，提出了一种改进的基于潜在因子多样性的非负矩阵分解的协同过滤模型。该模型充分考虑在不同情境下，用户和项目潜在特征矩阵的多样性，在模型的训练中，采用了单元素非负乘法更新规则和交替方向法，保证了目标矩阵的非负性，且提高了模型的收敛率。在真实的工业数据集上的实验结果表明，相比于经典的非负矩阵分解模型，该模型的预测精度有了明显提高。     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...     

散射项约束非负矩阵分解的高光谱图像解混

针对传统的约束非负矩阵分解方法对于解混的物理特性考虑较少,提出一种高光谱图像的解混方法:散射项约束非负矩阵分解(scattering-term constrained nonnegative matrix factorization,STC-NMF).与大多数约束非负矩阵分解算法将约束建立在数据的数学特性之上不同,ST...     

改进的NSCT与NMF结合的图像融合方法

基于人类视觉系统和源图像特性,对基于非下采样Contourlet变换与非负矩阵分解(NMF)图像融合算法进行了改进。在非负矩阵分解过程中,适当地选取特征空间的维数能够获得原始数据的局部特征,低频部分使用非负矩阵分解的方法进行融合,高频部分使用活性测度和一致性验证的方法进行融合。实验结果表明,该算法具有较强的鲁棒性,融合图像边缘的清晰度和连续性也较理想。     

基于分布估计算法的非负矩阵分解

非负矩阵分解问题可以转化为一个约束优化问题,因此可以依靠最优化领域的相关算法进行求解.提出一种基于分布估计算法求解非负矩阵分解问题的新算法,并将算法应用于两个非负矩阵分解的数值算例,与非负矩阵分解基准算法进行比较,证实了算法的可行性和优越性.     

基于递增权函数的邻接矩阵与非负矩阵分解的图像分类方法

将递增权函数的邻接矩阵和非负矩阵分解方法相结合,应用于图像分类.首先由图像中提取的特征点构造递增权函数的邻接矩阵,再对其进行非负矩阵分解,用分解后的特征向量作为PNN分类器的输入,实现对图像的分类.算法的可行性和准确性通过模拟图像和真实图像的多组实验得到了验证.     

基于认知诊断与XGBoost的学生表现预测研究

针对认知诊断方法未考虑学生的答题共性和矩阵分解方法未考虑学生知识点掌握个性的问题，提出一种结合认知诊断与XGBoost(eXtreme Gradient Boosting)的学生表现预测方法(PRNCD-XGBoost):首先，根据试题中知识点之间的共现关系探索知识点之间的相似性，并结合试题-知识点二分图挖掘试题中各知识点所占权重，从而进行认知诊断；然后，用认知诊断阶段的预测结果对历史得分矩阵进行填充；最后，采用非负矩阵分解方法提取出包含认知诊断因素的学生答题共性特征进行得分预测。并在ASSISTments2009和ASSISTments2017数据集上，将PRNCD-XGBoost方法与PMF、NeuralCD、PR-NCD、NMF-XGBoost、MNMF-XGBoost等方法进行对比实验。实验结果表明：PRNCD-XGBoost方法在学生表现预测方面具有更高的预测精确度。     

基于NMF及其正交投影变换的数字水印算法

提出一种基于非负矩阵分解(non-negative matrix factorization,NMF)及其正交投影变换的数字水印算法.利用NMF构造图像基于部分表示的基矩阵,将其正交并作为水印检测的密钥;将水印信息嵌入图像在正交基矩阵上投影的系数矩阵;再通过反变换重构图像.由于上述措施保持了NMF部分表示整体的能力,且改迭代运算为矩阵投影运算,因而算法在重构精度方面表现出明显的优势.将其应用到数字水印系统,并与文献[4]中实现的水印算法进行对比.实验结果表明,改进算法的鲁棒性更好,实用性更强.     

A comparative study on source apportionment of polycyclic aromatic hydrocarbons in sediments of the Daliao River,China: Positive matrix factorization and factor analysis with non-negative constraints

Two receptor models,positive matrix factorization (PMF) and factor analysis with non-negative constraints (FA-NNC),were applied for source apportionment of polycyclic aromatic hydrocarbons (PAHs) in sediments of the Daliao River,China.The source profiles and source contributions derived from the two receptor models were comparable.For PMF,PAHs mainly came from coal combustion (43.3%),followed by biomass burning (24.3%),traffic emissions (16.7%) and coke oven (15.7%).As for FA-NNC,coal combustion (50.4%) was...     

一种稀疏图正则化的非负低秩矩阵分解算法

非负矩阵分解方法(non-negative matrix factorization,NMF)广泛应用于图像聚类、计算机视觉、信息检索等领域。但是,现有的NMF方法还存在一些不足之处：①NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;②NMF方法还存在对噪声敏感以及鲁棒性差的缺点。为了提高NMF算法的鲁棒性和可解释性,提出一种稀疏图正则化的非负低秩矩阵分解算法(sparse graph regularized non-negative low-rank matrix factorization,SGNLMF)。通过低秩约束和图正则化,SGNLMF算法同时利用了数据的几何信息和有效低秩结构;此外,SGNLMF算法还对基矩阵加以稀疏约束,使得其鲁棒性和可解释性均有一定的提升。还提出了一种求解SGNLMF的迭代算法,并从理论上分析了该求解算法的收敛性。通过在ORL和YaleB数据库上的实验结果表明SGNLMF算法的有效性。     

基于非负矩阵分解的中文倾向性句子识别

提出一种基于非负矩阵分解(NMF、SNMF和WNMF)的中文倾向性句子识别算法.该算法首先构建倾向性特征矩阵,然后通过NMF、SNMF和WNMF算法分别来降维、提取潜在语义,最后采用支持向量机分类器识别中文倾向性句子.实验结果表明,与PCA和SVD相比,NMF、SNMF和WNMF算法能有效地降低维度、提取潜在语义,并提...     

基于非负矩阵分解技术探寻早期阿尔茨海默症基因表达调控网络

本文利用非负矩阵分解(NMF)技术,依据加强算法的稀疏性对患早期阿尔茨海默 症(Alzheimer’s Disease,AD)样本的基因表达数据进行了分析,提取了对疾病早期诊断具有重 要意义的显著基因,样本分类实验结果证明了算法的有效性。在此基础上,结合与炎症反应 有重要关系的 NF-κB 等基因初步建立了与早期 AD 密切相关的基因表达调控网络结构图, 为 AD 致病机理的探询、早期诊断与治疗等提供了有益的途径和方法。     

基于局部非负矩阵分解的人脸识别

提出了一种基于局部非负矩阵分解的人脸识别方法,以单个人的训练样本集获取其人脸特征子空间,将识别图像向每一个特征子空间中进行映射及重构,在子空间内实现人脸识别。ORL标准人脸库进行的计算机仿真证实了该方法的有效性。     

非负矩阵低秩分解的交替二次规划算法

非负矩阵分解算法有多种,但都存在着各自的缺陷.在现有工作的基础上,将非负矩阵分解(NMF)模型转化为一组(两个)二次凸规划模型,利用二次凸规划有解的充分必要条件推导出迭代公式,进行交替迭代,可求出问题的解.得到的解不仅具有某种最优性、稀疏性,还避免了约束非线性规划求解的复杂过程和大量的计算.证明了迭代的收敛性,且收敛速度快于已知的方法,对于大规模数据模型尤能显示出其优越性.     

物理教育如何满足培养21世纪人才的需要——一个帮助学生提高概念理解和问题解决能力的物理学习系统

近十几年的物理教育研究表明传统的教学方式不能够满足21世纪的人才培养的需要．新的教学方法和课程设置可以帮助学生开发多种量化表示法以使得学生不使用数学可以有效的推理物理过程；可以让学生学习使用象叙述、图解等表示法相关联的符号语言，由此培养学生解决复杂问题的能力，学习怎样学习，有效的以小组方式工作．本文将介绍这样一个学习系统的建立和基本特征．     

基于多视角对称非负矩阵分解的跨模态信息检索方法

针对跨模态信息检索的策略和核心问题,从提升检索性能的角度,分析了多视角对称非负矩阵分解方法用于跨模态检索的优势,提出了一种新的基于对称非负矩阵分解的跨模态检索框架。首先在Wikipedia、Pascal公开数据集上习得一致的子空间表示;然后基于该子空间,设计了一种实时样本在子空间中的投影方法。与典型相关分析、语义匹配和偏最小二乘回归相比,在MAP和PR曲线这2个指标上,本文所提出的方法具有最优的性能表现,表明了该方法应用于跨模态信息检索任务中的潜力。     

基于对称非负矩阵分解的终端区扇区划分方法

为了合理利用终端区空域有限资源,满足各扇区间管制员负荷均衡为目标,提出了基于对称非负矩阵分解的终端区扇区划分。首先,通过建立终端区网络加权图和量化管制负荷,构建终端区扇区划分模型。其次,为保证相邻性和低方差,对扇区单元层次聚类形成“snake”扇区序列,计算扇区单元之间的相似度值,生成相似度矩阵并进行归一化处理,利用对称非负矩阵正交分解对相似度矩阵进行求解,根据求解出的矩阵判断扇区单元所属区域,实现聚类划分。最后,选取现实终端区空域进行仿真验证,证明了对称非负矩阵分解划分方法的有效性。