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.     

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。     

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．     

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%.     

基于加权稀疏非负矩阵分解的车脸识别算法

为提高多种光照条件下交通卡口视频中车脸识别的准确性,提出了一种基于改进非负矩阵分解的车脸识别算法.对采集图像进行预处理,获得车脸图像与车牌信息.基于特定光照条件,自适应提取车脸图像的初始特征.针对车脸图像中像素位置的重要性差异,建立了加权稀疏约束非负矩阵分解的特征降维方法.通过判断特征相似性与车牌信息一致性,确定车辆是否合法.实验结果表明所提算法具有较好的识别性能,真实接受率与错误拒绝率分别可达到0.9875与0.04,并满足实时性要求.     

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。     

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.     

一个参数未知的网格多涡卷超混沌系统的自适应同步

提出一个网格多涡卷超混沌系统,该系统在x,y两个方向上扩展鞍焦平衡点,可产生任意个数的涡卷.通过Lyapunov指数谱、平衡点、分岔图、复杂度等动力学分析,系统在较大的参数区间内呈超混沌状态,且随着涡卷数的增加,系统的复杂度和最大Lyapunov指数均明显增加,系统的动力学行为变得更复杂.根据Lyapunov指数稳定理...     

Lanczos双对角化:一种快速的非负矩阵初始化方法

对于大型的非负矩阵,利用Lanczos双对角化得到了一个低秩近似.类似于Boutsidis Gallopoulos的方法,可以进一步得到它的非负近似,由此得到了非负矩阵分解的一种新的初始化方法.它虽然带有一点随意性,但可以和已有的非负矩阵分解方法相结合.从数值试验可以看出,与基于奇异值分解的初始化方法相比较,该初始化方法更加有效.     

应用非负矩阵分解的社交网络好友推荐

现有好友推荐方法只利用用户关系或内容信息进行推荐,难以获得较好的推荐质量． 针对该问题,在利用非负矩阵分解模型适合数据聚类以及数据约简的基础上,提出一种基于非负矩阵分解的好友推荐方法：FRNMF． 该方法采用基于非负矩阵分解的用户聚类为核心的好友推荐框架,利用用户好友关系网络信息和内容信息分别进行用户聚类,然后基于聚类结果计算用户间的综合相似度并进行好友推荐;不仅可以综合集成利用用户关系和内容两类信息,而且具有线性时间复杂度,还可以解决数据稀疏引起的推荐质量下降问题． 实验开发了FRNMF的原型系统,并在真实的新浪微博和学者网社交网络数据集进行对比实验,结果表明FRNMF比传统的好友推荐方法具有更好的推荐质量． 此外,对用户关系和内容两类信息的权重参数设置进行实验分析,分析表明适当提高用户关系信息的权重对于提高好友推荐质量具有促进作用．     

对称Loewner型矩阵的逆矩阵的快速三角分解算法

给出了对称Loewner型矩阵的逆矩阵的一种快速三角分解算法，算法所需运算量为O(n^2)。     

基于小波变换和非负矩阵分解的人脸识别改进方法

针对NMF在识别人脸图像特征时分解速度慢,基空间不适应欧氏距离度量的缺点,提出了一种基于小波变换和非负矩阵基矩阵正交化的人脸识别方法.利用小波变换对人脸图像进行变换,选择LL分量既能抽取到人脸的实质特征又能有效减小数据维数,降低NMF分解的复杂性.同时对NMF的基矩阵实施正交化变换,在得到的正交基上进行投影.实验结果表明,该方法对光照变化、表情变化和部分遮罩不敏感,识别性能明显提高.     

基于随机矩阵的高光谱影像非负稀疏表达分类

考虑到常规的高光谱影像稀疏表达分类模型的不足,提出随机矩阵-非负稀疏表达分类模型来提高高光谱影像的分类精度.通过引入随机矩阵来改善传统稀疏表达分类模型中测量矩阵以更好满足限制等距特性条件,同时限定系数向量的非负性以提高重构系数的可解释性.基于两个不同的高光谱数据集,对随机矩阵-非负稀疏表达分类模型采用三种方法进行系数重构,并对比常规稀疏表达分类模型的分类结果.实验证明,所提的模型能够明显提高常规稀疏表达分类模型的分类结果.同时,随机矩阵的投影维数对分类精度的影响研究实验表明,较大的投影维数能够保证该模型用以提高高光谱影像的分类精度.     

基于对称非负矩阵分解的终端区扇区划分方法

为了合理利用终端区空域有限资源,满足各扇区间管制员负荷均衡为目标,提出了基于对称非负矩阵分解的终端区扇区划分。首先,通过建立终端区网络加权图和量化管制负荷,构建终端区扇区划分模型。其次,为保证相邻性和低方差,对扇区单元层次聚类形成“snake”扇区序列,计算扇区单元之间的相似度值,生成相似度矩阵并进行归一化处理,利用对称非负矩阵正交分解对相似度矩阵进行求解,根据求解出的矩阵判断扇区单元所属区域,实现聚类划分。最后,选取现实终端区空域进行仿真验证,证明了对称非负矩阵分解划分方法的有效性。     

基于QR分解的稀疏LSSVM算法

传统最小二乘支持向量机(LSSVM)一般通过随机选择部分样本得到核矩阵的低秩近似提高解的稀疏性, 为了使该近似分解用尽可能小的低秩矩阵更好地近似原核矩阵, 提出一种]基于正交三角(QR)分解的QRP-LSSVM稀疏算法. 采用QR分解保持正交的特性挑选差异更大的样本, 迭代地精选核矩阵的部分列得到核矩阵的Nystr-m型低秩近似, 并利用分解结果快速求得最小二乘支持向量机的稀疏解. 实验分析表明, 该算法在不牺牲分类性能的前提下可得到更稀疏的解, 甚至在稀疏水平不超过0.05%的情况下准确率也较高, 可有效解决大规模训练问题.