基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

基于非负矩阵分解的集成人脸识别

非负矩阵分解已广泛应用于人脸识别,但因无监督、子空间线性表示、基特征局部次优等特点,它识别光照复杂、表情丰富的人脸图像的能力有限。为优化非负矩阵分解的人脸识别能力,分析并建立了非负矩阵分解的集成分类框架,整合多组基特征的弱类别结构信息,在无监督情形下利用偏最小二乘回归建立符合统计属性的集成标签映射,突显正确的类结构。通过多组人脸数据集的试验结果表明,基于非负矩阵分解的集成分类能力显著提高,适用光照复杂、表情丰富的人脸图像识别。     

基于神经网络和因子分解机的儿童脓毒症辅助诊断系统

脓毒症是感染引起的全身炎症反应综合征。是患者死亡的主要原因之一。由于严重脓毒症和脓毒性休克来势凶猛,病情发展迅速,给临床救治工作带来极大挑战。因此, 尽早明确脓毒症的诊断,及时治疗是改善其预后、降低病死率之关键。针对当前脓毒症临床诊断困难和对医生的临床经验有着较高要求,以及隐藏在大量电子病历中的信息没有得到充分利用的现状, 本文依据脓毒症临床数据特点提出了一种基于神经网络和因子分解机的数据挖掘算法结构,能够充分利用电子病历信息,辅助医生进行临床诊疗服务,快速准确地进行脓毒症诊断。     

行（列）反对称矩阵的极分解及其广义逆

考虑行（列）反对称矩阵的极分解和广义逆, 给出了行（列）反对称矩阵的极分解和广义逆计算公式, 并对行（列）反对称矩阵的极分解作了扰动分析.
结果表明, 所给方法既减少了计算量与存储量, 又保证了数值精度.     

广义系统输出反馈镇定与零点配置

研究了线性时不变广义系统的输出反馈镇定与零点配置问题。首先从状态空间角度出发,利用双互质分解方法得到输出反馈镇定控制器的参数化形式。然后从频域角度,在保证广义闭环系统容许的条件下,研究闭环系统的零点配置问题,给出了系统具有不同零点的配置方法。最后通过数值算例证明了所提方法的有效性。     

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。     

关于内外分解和谱分解问题的解析计算

研究了内外分解和谱分解问题,并提出了新的计算方法.该方法的基本思想:矩阵的零极点分布与其逆矩阵的部分分式展开密切相关.通过应用复分析技术,可以得到上述两个问题的解析方程.实例表明,所提出算法与纯数字计算的方法相比,在计算上更为简便、高效.     

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.     

基于非负矩阵分解的隐含语义图像检索

提出了一种基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的隐含语义索引(Latent Semantic Indexing,LSI)模型用于图像检索.应用NMF训练算法构造了一个语义空间,将查询图像和原型图像都投影到该空间以获得语义特征,在此空间中进行相似性的度量并将距离最近的图像返回给用户.与已有两种检索模型的实验结果对比表明,所提出模型是有效的.     

基于局部学习的受限非负矩阵分解算法

为了利用样本的局部结构信息与少量标记样本的类别信息,提出了一种基于局部学习的受限非负矩阵分解算法,并应用于数据表示.为了考虑样本的局部结构信息,通过每个样本邻域构建出的分类器对样本的类别进行预测;同时,还将样本中存在的类别信息作为硬约束,使得相同类别的高维样本在低维表示空间保持一致.算法不仅利用了样本的几何流形结构信息与鉴别结构信息,还考虑了标记样本的类别信息,因此比传统的非负矩阵算法具有更强的鉴别性.在20Newsgroups文本库和ORL人脸库中的实验结果表明了算法能提高分解准确率和归一化互信息.