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。     

层次预处理的非负矩阵分解加权集成聚类算法

图像聚类是当前的研究热点，非负矩阵分解（non-negative matrix factorization, NMF）算法在图像聚类领域得到了广泛应用。但是单一的NMF算法无法应用于所有数据集，并且NMF算法直接在数据的原始空间进行处理，抗噪能力较差。集成聚类可以解决上述问题，集成聚类将若干个基础聚类结果合成一个一致性结果，不仅可以提高聚类的求解质量，还可以增强算法的鲁棒性。因此本文提出一种层次预处理的NMF加权集成聚类算法。该算法将层次划分、集成聚类和二部图的思想引入到NMF算法中。在预处理阶段，利用层次划分得到聚类数目。之后采用局部加权的方法得到协关联矩阵。最后利用基于二部图的一致性函数进行划分得到最终的聚类结果。在5个数据集上进行实验，验证了本文算法相对于传统算法和其他集成算法的有效性。     

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.     

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.     

基于非负矩阵分解与邻接谱的图像分类

提出了一种非负矩阵分解（non-negative matrix factorization,NMF）和邻接谱相结合的图像分类方法．该方法首先利用图像中的特征点构造邻接矩阵,然后使用邻接谱作为非负矩阵分解迭代规则的初始值,并将经过非负矩阵分解得到的基向量作为图像的分类样本,最后采用概率神经网络（probabilistic neural network,PNN）分类器对图像进行分类．模拟实验和真实实验的比较表明,该方法是可行和有效的,并且进一步提高了图像分类的准确率和稳定性．     

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.     

基于双核范数鲁棒矩阵分解的遮挡图像恢复

低秩矩阵分解是计算机视觉、机器学习和数据挖掘中普遍使用的数据分析工具。矩阵分解方法可用于连续遮挡的图像数据的恢复,而低秩矩阵分解可转化为核范数优化模型。为了增强矩阵分解模型的鲁棒性,提出基于双核范数的鲁棒矩阵分解方法,该方法将每个数据矩阵分解为低秩干净数据、低秩噪声数据和稀疏噪声数据之和。建立最小化矩阵双核范数与L_1范数加权组合的优化模型,并给出求解该模型的交替方向乘子法。在真实数据集上的实验结果验证了所提方法的可行性与有效性。     

基于NMF的老电影音频背景噪声修复算法

老电影音频资料经过长时间的存储会出现音频纯度低、存在噪声等问题.利用非负矩阵分解(non-negative matrix factorization,NMF)算法对单声道音频中的背景噪声进行自动、快速检测和分离以去噪.对非噪声和噪声信号分别建立相应的模型,即前者使用正弦模型;后者的模型通过对老电影中先验噪声信号进行训练得到,然后使用一种条件受限的NMF算法对音频中的背景噪声进行分离.实验结果表明,该算法在去噪效果上要优于直接滤波等去噪算法.     

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NMF和FCRF的单通道语音分离

近年来,非负矩阵分解(non-negative matrix factorization,NMF)被广泛应用于单通道语音分离问题。然而,标准的NMF算法假设语音的相邻帧之间是相互独立的,不能表征语音信号的时间连续性信息。为此,该文提出了一种基于NMF和因子条件随机场(factorial conditional random field,FCRF)的语音分离算法,首先将NMF和k均值聚类结合对纯净语音的频谱结构以及时间连续性进行建模,然后利用得到的模型训练FCRF模型,进而对混合语音信号进行分离。结果表明:该算法相比没有考虑语音时间连续特性的基于NMF的算法如激活集牛顿算法(active-set Newton algorithm,ASNA),在客观指标上有明显提高。     

基于潜在低秩图判别分析的高光谱分类

提出一种基于潜在低秩图判别分析（LatLGDA）算法,利用数据的自表示对数据的列表示系数矩阵和行表示系数矩阵同时施加低秩约束,得到保留数据结构的亲和矩阵,再与图嵌入模型相结合实现高光谱图像的流形降维并进行分类。与其他基于稀疏图或稀疏低秩图的高光谱特征提取算法相比,LatLGDA可利用数据的行信息弥补列信息的不足或缺失,对噪音的抗干扰能力更强;在真实数据集上的实验结果表明,LatLGDA算法具有较高的分类精度和运算效率,应用前景广阔。     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于低秩投影与稀疏表示的人脸识别算法

当训练和测试图像同时受到污损时,人脸识别的性能会急剧下降。为了解决这一问题,提出了一种新的人脸识别算法。首先利用鲁棒主成分分析(robust principal component analysis,RPCA)方法得到训练样本的低秩部分;然后基于原始训练样本及其低秩部分得到低秩投影矩阵,该矩阵可以对存在污损的测试图像进行恢复;最后使用稀疏表示分类(sparse representation based classification,SRC)算法对恢复后的测试图像进行分类。在两个公开数据库上进行实验,实验结果证明了本文算法的有效性,同时识别性能优于SRC及线性回归分类(linear regression classification,LRC)方法,能在一定程度上处理样本数据受到污损的情况。     

一种自适应的鲁棒性矩阵补全方法

针对传统矩阵补全无约束优化模型在处理奇异噪声损坏的缺失矩阵时鲁棒性较差的问题, 提出一种自适应的鲁棒性矩阵补全方法. 该方法在目标函数中使用截断核范数作为秩函数旳低秩逼近, 并采用对奇异噪声鲁棒的F范数作为损失项恢复矩阵中的缺失值, 以降低异常值对算法的影响, 提高恢复精确度. 在求解该模型过程中, 先采用凸优化技巧引入一个动态权重参数, 此参数可在更新恢复值时根据当次恢复误差大小自适应地调节下一次更新, 再进一步建立求解优化问题的有效迭代方法. 实验结果表明, 该算法在处理被奇异噪声损坏的矩阵时有较好的鲁棒性和精确性, 从而可得到更好的图像修复效果.     

基于低秩矩阵恢复的作物器官自动提取方法

为了解决精准农业中作物器官的自动提取问题, 以玉米雄穗为例, 提出一种基于低秩矩阵恢复的作物器官自动提取方法。 作物生长图像是由背景和器官两大元素组成, 在图像特征空间则表现为一个低秩矩阵和一个稀疏矩阵之和。 利用低秩矩阵恢复算法求解代表器官的稀疏矩阵。 为了保证恢复时背景是低秩的, 利用作物生长历史数据, 学习最佳的转换矩阵。 最后, 利用动态阈值分割以及色度鄄亮度查找表完成器官的准确提取。实验结果表明, 该方法取得了93. 9%的最高性能值和2. 86%的最低标准差, 在多品种、 实际农田复杂环境下能获得更好的提取结果。     

基于非负矩阵分解的流程工业过程监控方法

提出了一种新的基于非负矩阵分解(NMF)的过程监控方法.考虑到数据的某些局部特征能够包含许多重要信息,有助于对异常情况进行检测,将NMF引入工业过程监控领域,并详述了基于NMF的过程监控方法.基于TE过程的仿真实验验证了该方法的有效性.     

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。     

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。     

一种改进的分布约束优化算法MULBS+

完备算法虽然能够求得分布式约束优化问题最优解,但要消耗大量资源及时间,相反,非完备算法通过求得次优解来提高效率.MULBS作为一个有效的非完备算法,虽然在求解质量和时间上有所提高,但在解决赋值冲突时采用的回溯策略及并行搜索方面存在不足.通过对该算法的深入分析,本文针对上述问题进行了改进,提出其改进算法MULBS+.通过在回溯策略中引入最小冲突选择机制,以及在约束图密度较大时采用基于动态子图划分的并行搜索策略,进一步提高了算法的性能.实验表明,该算法除增加一定的通信信息外,其执行时间及求解质量均优于原算法.