一种非负矩阵分解的快速稀疏算法

提出了一种非负矩阵分解的快速稀疏算法,该算法有利于处理高维小样本数据.在非负矩阵分解的过程中,通过代数变换,将原高维n×m阶的非负矩阵分解转化成低维m×m阶非负矩阵分解,大大提高了分解速度.在目标函数中加入了约束稀松度的项,通过控制稀松度,提高分解得到的潜在语义信息,改进文档集的话题划分,并能快速提取主题相关的语句生成文摘.     

一种改进的非负矩阵分解算法

给出一种广义的Kullback-Leibler代价函数,基于调比梯度下降法得到新的非负矩阵分解算法.新算法的优点是能够对稀疏非负矩阵进行分解,但是新算法的收敛性没有得到改善.进一步对新算法进行改进,数值实验表明改进后算法的收敛性得到明显改善.     

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.     

一种非负矩阵分解算法

提出了一种新的非负矩阵分解算法（NNMF）．通过引入Bergman距离函数定义了非负矩阵分解算法的代价函数,给出了迭代公式,并证明了其收敛性．实验结果表明：在适当的条件下,算法收敛速度较快;解的精确度较高．     

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。     

非负矩阵分解的快速收敛算法

为提高非负矩阵分解的收敛速度,在Lee和Seung的倍乘更新算法及改进ILSMU—EUC算法的基础上,通过调整运算顺序,限制不必要的更新方法,提出加速IILSMU-EUC算法。IILSMU-EUC算法是从计算量和内部迭代分析中,对运算耗费量大的矩阵提出限制更新方法,即调整计算顺序,按步骤顺序执行,能够减少计算量及不必要的上百万次的更新。实验结果表明：与原倍乘更新MU算法、梯度映射算法和分层交替最小二乘算法比较,IILSMU-EUC算法误差小、快速收敛性强、提取特征明显,从而验证了改进算法的有效性、稳定性和高效性。     

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.     

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.     

基于非负Tucker 3分解的稀疏分量分析在故障信号提取中的应用

针对初始故障信号不稀疏难于判断的问题,在非负Tucker 3分解(NTD)的基础上,提出了一种基于NTD的稀疏分量分析(SCA)处理二次特征信号的方法.同时,为了克服NTD算法收敛慢、易陷入过拟合等局限性,对分解因子增加了非负约束,并提出了对分解因子一次更新的算法.对比传统的最小交替二乘法,该更新算法能一次性地计算所有分解因子,避免了计算大规模的Jacobian矩阵,从而较大地提高了算法的效率.实验结果表明:NTD和SCA相结合的方法(SCA_NTD)只需迭代约150步可达到收敛,而且在频谱稀疏性处理方面优于NTF等传统的方法;在分解相同维数张量的条件下,SCA_NTD的最高精度达到了97.16%.因此,SCA_NTD不仅能够改善信号特征的稀疏性,而且对提高算法的收敛速度和精度也具有重要的意义.     

一种带有正则约束的非负矩阵分解算法

提出一种带有正则约束的非负矩阵分解算法(RCNMF).通过对欧氏距离函数附加正则项定义了算法的目标函数,给出了迭代规则及其收敛性证明,并与原NMF算法做了比较.结果表明,在适当的条件下,由该算法可以得到尽可能稀疏的近似解,且算法收敛速度较快,解的精确度也较高.     

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。     

电大三维非均匀介质体散射特性的快速分析

在体积分方程矩量法(VIE-MoM)中,采用多层快速多极子技术(MLFMA)并结合近场预条件技术,快速分析电大尺寸三维非均匀介质目标的电磁散射特性.在实施MLFMA加速技术的基础上,选取系数矩阵中近场耦合元素构造出具有近似对角特征的稀疏化矩阵,对其求逆快速构造预条件因子,用以加快GMRES迭代收敛速度.通过电大尺寸介质平板算例验证了MLFMA计算程序的正确性及其在节省计算时间和内存需求方面的明显效果.对非均匀半球壳介质体和三层非均匀介质平板的RCS进行了计算,采用上述预条件技术,收敛计算效率分别提高了87%和42%.数值结果表明,采用MLFMA结合预条件技术的VIE-MoM,是解决快速分析电大尺寸非均匀介质体散射问题的有效途径.     

一种快速收敛的遗传算法及其应用

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,提出了一种快速收敛的遗传算法,即“适应度缩放”加“有偏外来移民”的遗传算法。将该方法应用于柔性结构振动主动控制中的作动器／传感器位置及反馈增益的优化,其优化效果明显优于传统的优化算法。数字仿真结果表明,对于复杂非线性约束优化问题,该遗传算法具有较好的快速收敛性和全局收敛性,由优化了位置的作动器／传感器和优化增益的控制系统具有良好的减振效果。     

一种改进的迭代硬阈值算法

压缩感知重构算法直接影响信号重构速度和效果。迭代硬阈值(IHT)算法具有重构速度快的优点,但是其重构精度不高。提出一种改进的迭代硬阈值(MIHT)算法,在迭代硬阈值算法的基础上引入压缩采样匹配追踪(CoSaMP)算法中原子回溯的思想,保证每次迭代都能找到正确的索引集,提高算法的重构精度。Matlab仿真结果表明,本文提出的算法在重构精度上明显优于迭代硬阈值算法,而在迭代次数和重构时间上明显低于压缩采样匹配追踪算法。     

基于快速变分稀疏贝叶斯学习的频谱感知与定位

针对稀疏贝叶斯压缩感知算法存在复杂度高、收敛速度慢等缺陷,提出了一种快速变分稀疏贝叶斯学习的频谱检测与定位算法.该算法在原始问题求解过程中增加了辅助变量,消除了原问题模型中未知变量之间耦合度高的问题.并依据稀疏参数的收敛情况,自适应删除不收敛稀疏参数对应的基函数,从而进一步加快了算法的收敛速度.实验结果表明:该算法在收敛速度和频谱检测精度上有显著的改善.     

一种基于联合CSVD-2DNMF的人脸识别算法

类估计基空间奇异值分解算法(CSVD)克服了奇异值分解(SVD)造成的重构图像基空间不一致的本质缺陷,但在一定程度上削弱了图像的类别特征。二维非负矩阵分解算法(2DNMF)能在一定程度上避免NMF识别算法中因图像向量化而造成的结构信息丢失、内存花销大等不足,但是随着训练样本数量的增多,迭代速度慢、训练时间长等缺陷也将凸显。根据CSVD与2DNMF的优缺点,提出了人脸识别的联合CSVD-2DNMF算法,进而运用提出的算法在Matlab平台上对ORL人脸数据库中的人脸图像进行了识别实验。实验结果表明该算法能有效的缩短训练时间和提高识别率。     

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.     

一种改进的RVSSLMS波束赋形算法

作为智能天线的关键技术之一,波束赋形算法引起了众多学者的广泛关注。为克服目前RVSSLMS算法比较简便,易于实现,但收敛速度较慢;RLS算法收敛速度较快,但其运算量大的问题,根据移动通信系统中波束赋形算法必须具有较快的响应速度和收敛速度的要求,对RVSSLMS算法进行了改进;结合RLS算法和RVSSLMS算法的优点,在开始迭代前的25次用RLS算法求加权系数W(k),再使RVSSLMS算法用RLS算法求出的加权系数W(k)作为初始值进行迭代求解,使其在保持原有运算量小的特点的同时,具有更快的收敛速度。用Matlab仿真对改进方法的有效性进行了验证,仿真结果表明:RLS-RVSSLMS算法既具有RLS算法收敛速度快的特点,同时保持了RVSSLMS算法计算量小的特点。     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

投影Hessian的内点回代算法解线性约束优化问题

提供非单调内点回代技术的信赖域投影Hessian算法解线性约束优化问题.基于矩阵QR分解的技巧,将仿射零空间的信赖域子问题变换成通常的信赖域子问题,然后结合线搜索技术,在每次迭代信赖域子问题都将产生新的回代内点.在合理的条件下,证明了算法不仅具有整体收敛性而且保持局部超线性收敛速率,引入非单调技术将克服病态问题,加速收敛性进程.