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...     

基于非负矩阵分解和Normal_Matrix的肿瘤基因分类

文中提出了一种结合非负矩阵分解和Normal_Matrix谱分解技术的肿瘤基因分类方法.其分类过程首先是利用fdr_test记分准则粗略除去噪声基因以实现基因表达谱数据的初步降维,进而运用非负矩阵分解萃取基因间的综合属性,通过综合属性构造样本间的Normal_Matrix并对其进行奇异值分解获取表征样本类别属性的谱分量实现肿瘤类型的分类识别.采用三组具有代表性的肿瘤基因表达谱数据进行实验,通过与其他方法的对比,其结果证明了文中方法的可行性和有效性.     

基于矩阵奇异值分解的文本分类算法研究

针对KNN文本分类算法在高维数据集上分类计算开销大、效率低的缺点,采用一种基于矩阵奇异值分解的文本特征向量降维方法实现向量降维的同时保留更多的分类信息.同时,采用信息增益的方式对原始文本特征词进行了初步筛选,过滤掉对分类系统几乎没有贡献的特征词,以克服文本特征维数增长所带来的奇异值分解计算开销过大的缺点.实验表明此方法能在保持分类精度的同时极大地降低分类计算开销.     

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.     

基于非规范二维Haar小波变换WSN数据管理

提出基于非规范二维Haar小波变换的无线传感器网络管理结构,以减少传感器节点间的数据传输量.利用小波变换将数据在不同尺度上分解生成小波系数以进行传输,对小波系数进行重构可还原原始数据.基于非规范二维Haar小波分解算法实现了数据汇聚,基于非规范二维Haar小波逆变换算法实现了数据重构.使用MATLAB仿真表明,基于非规范二维小波变换的数据管理结构能够在保持数据原有特征的同时,大大减少网络的数据传输量.     

矩阵分解理论在降维中的应用

本文主要介绍矩阵论中的矩阵分解在计算机人工智能中的降维中的应用.从矩阵的奇异值分解和张量的高阶奇异值分解两个方面,结合张量子空间分析(TSA)和张量邻域保持嵌入(TNPE)两个算法,研究矩阵分解理论与降维的结合及应用原理.     

二维局部非负矩阵分解的路网态势算法

针对路网态势评测算法存在限于断面、依赖单一指标等的不足,在解析测量指标和测量断面的相关性及局部非负矩阵分解(LNMF)算法的基础上,提出了二维局部非负矩阵分解2DLNMF算法,通过选择合适参数对路网数据进行降维处理,提取路网特征数据,从而实现路网态势评测.仿真结果表明,使用2D-LNMF算法路网态势评测结果更加准确,而在线评测准确性达到95.69%.     

基于SVD算法的无线光MIMO系统的性能分析

介绍了无线光多输入多输出(OMIMO:Wireless Optical Multiple-input Multiple-output)通信系统的基本组成,针对系统中存在背景光噪声和多址干扰对系统的影响,分别采用了基于奇异值分解(SVD)算法和迫零(ZF)检测算法来消除多址干扰,用Matlab进行了仿真,并对两种算法的仿真结果做了比较.仿真结果表明:在通信质量要求不高、信道矩阵奇异的情况下,采用SVD算法可以有效地消除多址干扰,很好地逼近ZF算法性能.     

基于小样本条件下线性判别分析图像增强算法研究

摘要：针对以往降维处理方法在小样本条件下受到矩阵奇异化的限制,从而无法进行有效的奇异值分解以及逆变换的缺陷,提出了一种自动对变换矩阵添加扰动量,从而保证奇异值分解和逆变换顺利进行的算法。首先,定义了线性变换矩阵的构成模式,利用线性投影变换将样本点投影到null空间和幅度空间,然后在压缩后的幅度空间对变换矩阵自动添加扰动量,然后在此基础上进行奇异值分解和逆变换,从而计算得到最终的从高维空间到低维空间的线性变换矩阵。本方法无需认为设定扰动量,能自动实现投影变换的计算。能广泛使用在高维特征空间的降维处理,尤其是少样本条件下的高维特征空间降维处理中。     

一种主奇异三元组提取的快速神经网络算法（英文）

为了对两路高维数据流的互协方差矩阵进行在线奇异值分解,提出了一种快速稳定的主奇异三元组提取神经网络算法.首先,提出了一个新颖信息准则,并且基于该准则推导出了一个动态系统.然后,基于该动态系统,推导出了一种快速稳定的在线神经网络算法.该算法可以提取两路高维数据流的互协方差矩阵的左右主奇异向量.另外,算法中奇异向量的长度会收敛到一个与相应主奇异值相关的值,因而该主奇异值也可以被估计出来.相比于传统算法,该算法可以提取该矩阵的主奇异三元组而非仅仅是主奇异向量.与已有算法相比,该算法具有较低计算复杂度、较高收敛速度和稳定性.