L_(3/2)正则化图非负矩阵分解算法

基于图正则化非负矩阵分解算法(GNMF),提出一种基于凸光滑的L3/2范数正则化图非负矩阵分解算法.该算法用非负矩阵分解算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构,并对数据的低维表示特征进行凸光滑的L3/2范数稀疏性约束,在给出算法更新迭代规则的同时,从理论上证明了所给算法的收敛性.通过人脸数据库ORL、手写体数据库USPS和图像库COIL20的仿真实验表明,相对于非负矩阵分解算法及其基于稀疏表示的改进算法,所给算法均具有更高的聚类精度.     

基于增量非负矩阵分解的SAR目标识别

随着SAR数据的快速增长,传统的目标识别方法由于不具备增量学习的能力,导致计算代价逐渐增加,从而越来越无法满足实时信息处理的需求。在识别过程中关键的特征提取环节,非负矩阵分解能够获取目标基于部分的特征表示,已被成功应用于SAR目标识别领域。然而面对新增样本,采用非负矩阵分解描述SAR目标特征的过程中,会产生重复训练,从而大大降低了识别效率。本文提出基于增量非负矩阵分解的SAR目标识别方法,实现了基于非负矩阵分解的SAR目标特征表示的增量学习能力,从而大大降低计算代价。针对MSATR数据集的仿真试验结果表明,在保证识别率的基础上,本文提出的方法能够降低样本训练时间74.7%以上。因此该方法能够适应数据增加的现实需求,并能够为建立具有自主学习能力的SAR目标识别系统提供有效的技术支撑。     

基于增量非负矩阵分解的合成孔径雷达目标识别

随着合成孔径雷达(SAR)数据的快速增长,传统的目标识别方法由于不具备增量学习的能力,导致计算代价逐渐增加,从而越来越无法满足实时信息处理的需求。在识别过程中关键的特征提取环节,非负矩阵分解能够获取目标基于部分的特征表示,已被成功应用于SAR目标识别领域。然而面对新增样本,采用非负矩阵分解描述SAR目标特征的过程中,会产生重复训练,从而大大降低了识别效率。提出基于增量非负矩阵分解的SAR目标识别方法,实现了基于非负矩阵分解的SAR目标特征表示的增量学习能力,从而大大降低计算代价。针对MSATR数据集的仿真试验结果表明,在保证识别率的基础上,提出的方法能够降低样本训练时间74.7%以上。因此该方法能够适应数据增加的现实需求,并能够为建立具有自主学习能力的SAR目标识别系统提供有效的技术支撑。     

基于K-L算法的投影图正则非负矩阵分解

通过对投影非负矩阵分解(PNMF)增加数据点及其邻近点的约束,提出一种基于图正则化的投影非负矩阵分解(PGNMF)方法。PGNMF保留了数据在低维特征空间中局部几何结构的同时又对系数矩阵进行稀疏约束,既减少了存储空间,也提高了算法效率。理论分析和数据实验都验证了该算法的有效性。     

基于流形正则化非负矩阵分解预测药物-靶蛋白作用关系

识别药物-靶蛋白作用关系是当前药物研究的重要内容,其可帮助识别已有药物的新功能,发现药物的"偏靶蛋白"等。现有预测算法对新药物的作用靶蛋白,及新靶蛋白的作用药物预测存在困难,由此提出一种新奇的基于流形正则化非负矩阵分解的新药物/新靶蛋白作用关系预测算法,该方法首先通过聚类算法构建新药物/新靶蛋白的初始作用标签,然后设计引入流形学习正则化约束的非负矩阵分解算法预测药物-靶蛋白作用关系,最后在四个经典数据集中测试,并与最新预测算法BLM-NII、RLS-WNN和WKNKN+WGRMF算法进行比较,证明本文算法可获取较高的预测精度。     

基于流形正则化判别的因子分解

通过对非负矩阵分解(non-negative matrix factorization,NMF)和因子分解(concept factorization,CF)的分析,针对它们无法核化或忽略数据几何结构和判别信息的问题,提出了基于流形正则化判别的因子分解算法(manifold regularized-based discriminant concept factorization,MRCF).该算法用CF算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构;利用样本的标签信息,进行监督学习,给出算法多步更新规则,理论上证明了MRCF算法的收敛性.在人脸数据库ORL、图像库COIL20和手写体数据库USPS上的仿真结果表明,相对于NMF、CF及其一些改进算法,MRCF均具有更高的聚类精度.     

自适应超图正则化低秩矩阵分解

超图正则化非负矩阵分解(HNMF)是一类常用的数据降维方法。然而，使用预先构造超图的方法不能较好地反映出样本点间的多元关系。为解决此问题，设计了一类自适应超图的构造方法，结合非负矩阵分解，建立了自适应超图正则化低秩矩阵分解(LMFAHR)模型。利用乘性更新的方法求解该模型，并证明了该模型的目标函数在迭代过程中单调不增。数值实验表明：LMFAHR算法与经典的低秩矩阵分解算法相比，在COIL20数据集上评估指标ACC和NMI分别有0.66%～1.48%,0.19%～1.43%的提升，在Yale数据集上评估指标ACC和NMI分别有0.01%～4.29%,0.3%～8.44%的提升。     

一种多流形正则化的多视图非负矩阵分解算法

在大数据时代,多视图数据普遍存在.多视图聚类是分析多视图数据的一种常用方法.基于多流形正则化非负矩阵分解的多视图聚类是一种极具竞争力的多视图聚类算法,但该算法没有考虑非负矩阵分解的簇排列问题,并且在实验中没有考虑每个视图的差异性.基于上述问题,提出一种优化的多流形正则化的多视图非负矩阵分解算法.该算法的关键问题包括如何利用多视图信息聚类以及如何融合多流形.对多视图数据聚类时,令所有视图的数据共享一个低维的子矩阵,并且最小化所有视图的加权目标函数,从而体现每个视图对聚类的重要性并确保所有非负矩阵分解的簇排列的一致性.在融合多流形信息时,使用基于多视图谱聚类的权重计算方法,加权寻找一致的流形,从而体现每个视图中流形的重要性.实验结果表明,提出的优化策略可以提高多视图聚类的效果.     

基于新迭代规则的稀疏CNMF人脸识别方法

针对凸非负矩阵分解(CNMF)人脸识别方法的运行时间长且识别率不高的问题,提出一种可收敛的易于计算的新目标函数,并引入阈值稀疏约束,得到新的迭代规则,可有效提高识别率和减少计算时间.首先,图像经预处理后得到低频训练样本,经由新迭代规则的稀疏凸非负矩阵方法分解,得到特征的稀疏基矩阵和权值系数矩阵;然后,基于稀疏特征基矩阵对测试样本进行分解,得到测试集的特征权值系数矩阵;最后,使用一对一支持向量机对该特征权值系数矩阵进行识别分类.基于新规则的稀疏化基矩阵数据更为集中,因此相应系数矩阵中特征的权值也更为集中,易于进行分类识别.实验结果表明:基于新迭代规则的稀疏CNMF方法的识别率可达到100%,比凸非负矩阵分解、稀疏非负矩阵分解、多层非负矩阵分解方法分别提高了33.0%,10.0%和5.5%,并且识别时间更短,图像重构误差更小.     

半监督凸非负矩阵分解

基于流形正则化思想,提出了半监督凸非负矩阵分解算法.该算法通过类间图和类内图刻画数据的内在几何结构,使得所提算法不但具有数据矩阵凸分解特性,而且保持它的几何结构和判别信息.最后,人脸数据集上的实验研究表明所提算法能够获得良好的识别性能.     

基于非负矩阵分解的阴影检测方法

针对以往的矩阵分解方法不能保证分解结果非负的问题, 根据非负矩阵分解（NMF: Non negative Matrix Factorization）结果非负的特点, 提出了基于NMF的阴影检测方法, 并以此为基础将进一步引入的分块非负矩阵分解（BNMF: Block Non negative Matrix Factorization）应用于阴影检测。通过NMF/BNMF提取训练样本中阴影的亮度特征, 再根据特征识别测试样本中的阴影区域。实验结果表明,与基于奇异值分解方法相比, 该算法的阴影检测细节更清晰, 具有更好的效果。     

双重约束非负矩阵分解与改进正交匹配追踪算法的语音增强

针对非负矩阵分解算法实现语音增强效果不理想的问题,提出了一种双重约束非负矩阵分解结合改进正交匹配追踪算法的语音增强方法.采用时间约束及稀疏度约束的双重约束方式改进非负矩阵分解算法,使得分解后的数据更能反映出语音特征.通过改进正交匹配追踪算法提升重构精度,并结合语音信号在时频域的分布特征,引入低通滤波器进一步平滑重构后的...     

基于正则化元学习的小样本图像分类算法

现有元学习方法的初始模型在训练过程中会偏向于某些任务，从而影响元学习方法的泛化能力。针对以上不足，提出了基于正则化元学习算法(Regularized Meta Learning,REML)用于小样本图像分类。该算法通过在元学习的目标函数中添加正则化项，以阻止元学习的初始模型偏向于部分训练任务，使元学习模型具有更强适应新任务的能力。此外针对元学习过程中涉及二阶求导使得计算量较大的不足，采用一阶导数近似二阶导数，以减小元学习模型训练所需计算量。在mini Image Net、CUB-200和CIFAR-100这3个数据集上进行的实验验证本文算法性能。实验结果表明，提出的算法能够增强元学习的泛化能力，从而提高小样本图像分类的性能，同时减小元学习算法训练参数的计算量。     

低秩矩阵和结构化稀疏分解的视频背景差分方法

针对基于矩阵分解的视频前景检测传统算法中忽视前景元素之间相关性会导致检测结果容易受噪声干扰和运动目标检测不完整等问题,提出了一个低秩矩阵和结构化稀疏分解的视频背景差分算法。该算法充分考虑到视频前景区域的结构化分布特征,利用结构化稀疏范数对前景进行约束;针对矩阵分解方法中参数选择的难题,采用了一种基于运动显著性判定的两步法来实现动态背景去除和正则化参数的自适应选择,即第一步利用低秩和结构化稀疏分解获得运动候选块,第二步对运动候选块进行显著性分析并利用自适应正则化参数的块稀疏分解进行前景检测。实验结果表明:与现有的基于矩阵分解的前景检测方法相比,该算法能够更加适应复杂多变的视频环境,在I2R测试库中检测出的前景有较高的精确度和召回率。     

基于时空信息和非负成分表示的动作识别

为充分利用时空分布信息及视觉单词间的关联信息,提出了一种新的时空非负成分表示方法(ST-NCR)用于动作识别.首先,基于视觉词袋(Bo VW)表示,利用混合高斯模型对每个视觉单词所包含的局部特征的时空位置分布进行建模,计算时空Fisher向量(STFV)来描述特征位置的时空分布;然后,利用非负矩阵分解从Bo VW表示中学习动作基元并对动作视频进行编码.为有效融合时空信息,采用基于图正则化的非负矩阵分解,并且将STFV作为图正则化项的一部分.在3个公共数据库上对该方法进行了测试,结果表明,相比于Bo VW表示和不带时空信息的非负成分表示方法,该方法能够提高动作识别率.     

一种采用遗传规划优化的基于非负矩阵分解的入侵检测模型

利用非负矩阵分解对系统监控的特权程序行为进行检测,进而发现异常的入侵行为.在矩阵分解过程中采用Alpha散度作为度量标准,并引入遗传规划算法对非负矩阵分解中的误差函数进行优化.实验中,对新墨西哥大学的Sun SPARC工作站上获取的系统调用数据和CICIDS2017数据集进行了测试,测试结果表明,该方法相对于传统的检测方法而言,在入侵检测精度方面具有良好性能.     

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。     

基于相关熵和流形正则化的图像聚类

近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先,采用基于相关熵的非负矩阵分解（Non-Negative Matrix Factorization,NMF）作为损失函数来抑制非高斯噪声和异常值的影响;其次,充分考虑数据的结构信息,采用流形正则化学习数据的局部结构,并通过l2,1-范数对非负矩阵进行稀疏约束;最后,利用半二次优化技术（Half-Quadratic Optimization Technique,HQ）进行优化,并分析了收敛性和计算复杂度.在五个图像数据集上进行测试,实验结果表明,提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.     

学习一致相似度矩阵的图非负矩阵分解

非负矩阵分解(NMF)是一种有效的数据降维方法,广泛应用于图像聚类等领域.然而,NMF不能捕获数据固有的几何结构,所以基于图的非负矩阵分解被提出.基于图的算法大多使用K-近邻来构造相似度图.由于数据中的异常值和错误特征,直接构造图是不准确的.针对上述问题,提出了基于学习一致性相似度矩阵的图非负矩阵分解方法.该方法首先通...     

对称加权算法对数据矩阵补全的优化研究

数据分析中存在数据集矩阵缺失,可用数据矩阵补全缺失数据元素,高效的补全数据矩阵算法可从算法精度等方面优化提升.为此提出对称加权(SW)算法,首先,根据通用的矩阵补全模型,用正则化方法进行低秩矩阵分解补全;其次,对分解后的矩阵因子用共同的对称矩阵加权,得到新的矩阵补全模型和正则化加权函数;最后,结合块坐标下降和交替最小二乘法优化算法,迭代得到目标函数最优解,获得数据补全的最优补全矩阵.仿真结果表明,与APALM,IRSVF和IRNN算法相比,对称加权算法在数据矩阵补全的精度和算法收敛速度方面均有较好提升.