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.     

一种实用快速非负矩阵分解算法

提出了一种基于快速非负矩阵分解算法的实用新算法.该实用快速非负矩阵分解算法扩展了快速非负矩阵分解算法的约束条件,并且保持了较高的收敛速度,更具一般性和实用性.然后对该新算法进行了一些稀疏非负矩阵分解的扩展应用.数值实验显示该实用快速非负矩阵分解算法和快速非负矩阵分解算法具有相近的收敛速度,与其他经典非负矩阵分解算法相比其收敛速度有明显的提高,同时对添加稀疏性约束条件的实验也有很好的效果.     

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.     

一种自适应非负矩阵分解算法

首先, 通过引入自适应策略, 提出一种基于梯度下降自适应策略的非负矩阵分解算法. 其次, 通过比较重构非负矩阵的距离度量并自适应调节分解, 解决了传统非负矩阵分解方法在求解过程引入的随机性和基向量数目问题, 且该算法生成的基向量更具代表性. 最后, 以对吉林大学某学院本科生成绩进行分析和验证为例考察算法的有效性. 实验结果表明, 自适应非负矩阵分解方法重构矩阵较传统非负矩阵方法的鲁棒性更好, 并将错误率降低20.16%.     

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.     

非负矩阵分解及其改进方法

首先,给出非负矩阵分解的数学形式,分析欧式距离和相对熵(KL)散度两种分解误差评价函数.然后,针对3种特殊形式的非负矩阵进行分解方法的改进,优化函数和迭代过程分别适用于正交非负矩阵、凸非负矩阵、投影非负矩阵的分解.结果表明:提出的改进方法简化了非负矩阵分解的过程.     

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。     

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。     

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.     

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.     

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...     

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SUSAN和加权非负矩阵分解的图像融合算法

为了更好地保留源图像边缘信息、提高抗噪能力,提出一种基于SUSAN和加权非负矩阵分解的图像融合方法.运用SUSAN对像素点进行分类,根据分类结果构建加权矩阵,最后运用加权非负矩阵分解方法实现图像融合.实验证明,该方法能有效地保留边缘信息且抗噪性较好.     

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.     

改进的非负矩阵因子分解算法在基因数据分析中的应用

提出一种改进的非负矩阵因子分解算法．在非负矩阵因子分解的迭代计算过程中加入了数据平滑处理来解决抖动问题,并用于一组白血病微阵列数据分析．实验结果表明,改进过的非负矩阵分解算法提高了分类的准确率,同时这个方法避免了NMF算法的“零值”问题．