非負(fù)矩陣分解算法是一種有效的特征提取及數(shù)據(jù)低維表示方法,其分解過程和分解結(jié)果具有可解釋性,利用乘性迭代規(guī)則能夠快速求解。因此,在特征提取、分類及聚類任務(wù)中有廣泛的應(yīng)用。與PCA、LDA等算法提取的全局特征相比,NMF算法提取數(shù)據(jù)的局部特征,可以解釋為原始數(shù)據(jù)是所有局部特征的純加性組合,這種分解特性更符合人類視覺的認(rèn)知方式。隨著對(duì)NMF算法研究的不斷深入,專家學(xué)者通過對(duì)特定場景中的潛在數(shù)據(jù)結(jié)構(gòu)進(jìn)行分析,從而將NMF算法合理應(yīng)用到不同場景中。NMF算法有三個(gè)重要的改進(jìn)方向:一是在目標(biāo)函數(shù)中加入額外的約束項(xiàng)或懲罰項(xiàng),如稀疏性約束、正交性約束、圖正則化約束等,以提高在分類及聚類任務(wù)中的性能;二是對(duì)分解形式進(jìn)行重寫,如將單層的矩陣分解擴(kuò)展成多層的矩陣分解,以得到數(shù)據(jù)中更加豐富的層級(jí)結(jié)構(gòu)特征;三是與其他算法相結(jié)合,將非負(fù)性約束作為提升算法性能的有效方式。本文針對(duì)非負(fù)矩陣分解算法在特征提取及數(shù)據(jù)低維表示進(jìn)行研究,提出了兩種有效的NMF算法,使其在圖像分類及聚類任務(wù)上的性能有所提升。本文的主要工作如下:（一）提出了圖正則化稀疏判別非負(fù)矩陣分解算法。引入了標(biāo)簽信息,將無監(jiān)督的NMF算法擴(kuò)展為有監(jiān)督的NM... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

NMF和PCA兩種算法的比較（紅色表示負(fù)數(shù)元素）

江南大學(xué)碩士學(xué)位論文8圖2-1在ORL數(shù)據(jù)集上得到的分解結(jié)果（從左至右r依次為49、64、100）圖2-2(a)可視化了兩個(gè)不同訓(xùn)練樣本,圖2-2(b)為數(shù)據(jù)集分解后得到的100個(gè)基特征，圖2-2(c)為圖2-2(a)中兩個(gè)不同樣本對(duì)應(yīng)的表示系數(shù)。可以發(fā)現(xiàn)，系數(shù)越大，對(duì)應(yīng)的基特征越重要，且原始圖像可以依賴于這些系數(shù)較大的“重要特征”進(jìn)行有效區(qū)分。(a)兩個(gè)不同的訓(xùn)練樣本(b)分解得到的100個(gè)基特征(c)第一個(gè)樣本對(duì)應(yīng)的表示系數(shù)(d)第二個(gè)樣本對(duì)應(yīng)的表示系數(shù)圖2-2基特征個(gè)數(shù)為100時(shí)得到的分解結(jié)果

江南大學(xué)碩士學(xué)位論文8圖2-1在ORL數(shù)據(jù)集上得到的分解結(jié)果（從左至右r依次為49、64、100）圖2-2(a)可視化了兩個(gè)不同訓(xùn)練樣本,圖2-2(b)為數(shù)據(jù)集分解后得到的100個(gè)基特征，圖2-2(c)為圖2-2(a)中兩個(gè)不同樣本對(duì)應(yīng)的表示系數(shù)�？梢园l(fā)現(xiàn)，系數(shù)越大，對(duì)應(yīng)的基特征越重要，且原始圖像可以依賴于這些系數(shù)較大的“重要特征”進(jìn)行有效區(qū)分。(a)兩個(gè)不同的訓(xùn)練樣本(b)分解得到的100個(gè)基特征(c)第一個(gè)樣本對(duì)應(yīng)的表示系數(shù)(d)第二個(gè)樣本對(duì)應(yīng)的表示系數(shù)圖2-2基特征個(gè)數(shù)為100時(shí)得到的分解結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏和正交約束非負(fù)矩陣分解的高光譜解混[J]. 陳善學(xué),儲(chǔ)成泉.  計(jì)算機(jī)應(yīng)用. 2019(08)
[2]稀疏正則非負(fù)矩陣分解的語音增強(qiáng)算法[J]. 蔣茂松,王冬霞,牛芳琳,曹玉東.  計(jì)算機(jī)應(yīng)用. 2018(04)
[3]基于非負(fù)矩陣分解的類標(biāo)簽映射集成學(xué)習(xí)[J]. 高亮,潘積遠(yuǎn),于佳平.  科學(xué)技術(shù)與工程. 2018(01)
[4]基于正交非負(fù)矩陣分解的K-means聚類算法研究[J]. 李孟杰,謝強(qiáng),丁秋林.  計(jì)算機(jī)科學(xué). 2016(05)
[5]無參數(shù)局部保持投影及人臉識(shí)別[J]. 黃璞,唐振民.  模式識(shí)別與人工智能. 2013(09)
[6]結(jié)合K均值和非負(fù)矩陣分解集成文本聚類算法[J]. 徐森,盧志茂,顧國昌.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2011(04)
[7]中心近鄰嵌入學(xué)習(xí)算法的人臉識(shí)別研究[J]. 孔萬增,朱善安.  中國圖象圖形學(xué)報(bào). 2008(04)
[8]基于LNMF分解的人臉識(shí)別[J]. 宋星光,夏利民,趙桂敏.  計(jì)算機(jī)工程與應(yīng)用. 2005(05)

博士論文
[1]基于矩陣分解的圖像表示理論及其應(yīng)用研究[D]. 肖延輝.北京交通大學(xué) 2014
[2]基于稀疏表示和非負(fù)矩陣分解的部分遮擋人臉識(shí)別研究[D]. 歐衛(wèi)華.華中科技大學(xué) 2014



本文編號(hào)：3372966