當(dāng)今時(shí)代,隨著高度信息化和網(wǎng)絡(luò)全球化的普及,海量的信息和高維的數(shù)據(jù),給人們?cè)斐闪她嫶蟮挠?jì)算開(kāi)銷(xiāo),巨大的處理難度和模糊的信息傳達(dá)。如何有效地對(duì)數(shù)據(jù)進(jìn)行維數(shù)約簡(jiǎn)就至關(guān)重要。特征提取作為一種不丟失固有特征信息的降維算法,廣泛地應(yīng)用在人工智能、模式識(shí)別、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等諸多領(lǐng)域。在眾多特征提取方法中,非負(fù)矩陣分解算法(Non-negative Matrix Factorization,NMF)因其非負(fù)約束、稀疏的局部表達(dá)和良好的可解釋性成為研究熱點(diǎn)之一。本文對(duì)非負(fù)矩陣分解相關(guān)算法進(jìn)行研究和分析,提出新的改進(jìn)算法,主要研究工作如下:1.相關(guān)理論知識(shí)介紹介紹非負(fù)矩陣分解算法的概念、函數(shù)模型以及實(shí)際應(yīng)用;研究流形學(xué)習(xí)相關(guān)方法和圖正則化非負(fù)矩陣分解算法;分析目前相關(guān)算法存在的普遍問(wèn)題。2.提出一種基于多圖正則化的非負(fù)矩陣分解算法對(duì)于圖正則化非負(fù)矩陣分解算法對(duì)數(shù)據(jù)幾何結(jié)構(gòu)的表示局限于單種關(guān)系結(jié)構(gòu)的問(wèn)題,本文基于流形學(xué)習(xí)和圖譜知識(shí)構(gòu)建近鄰圖、權(quán)重圖以及稀疏圖,提出一種基于多圖正則化的非負(fù)矩陣分解算法。該算法對(duì)數(shù)據(jù)幾何結(jié)構(gòu)有更好的表達(dá),保持了高維數(shù)據(jù)在分解成低維表示過(guò)程中的近鄰信息、空間遠(yuǎn)近關(guān)系以及稀疏...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
2 相關(guān)理論及方法
    2.1 非負(fù)矩陣分解
        2.1.1 方法描述
        2.1.2 優(yōu)化求解
        2.1.3 實(shí)際應(yīng)用
    2.2 流形學(xué)習(xí)
        2.2.1 等距映射(ISOMAP)
        2.2.2 局部線性嵌入(LLE)
        2.2.3 拉普拉斯特征映射(LE)
    2.3 圖正則化非負(fù)矩陣分解
    2.4 本章小結(jié)
3 改進(jìn)的基于多圖正則化非負(fù)矩陣分解
    3.1 圖譜理論和圖的構(gòu)建
    3.2 改進(jìn)的基于多圖正則化非負(fù)矩陣分解
        3.2.1 算法描述
        3.2.2 優(yōu)化求解
    3.3 實(shí)驗(yàn)和結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.3.3 實(shí)驗(yàn)和結(jié)果分析
    3.4 本章小結(jié)
4 基于L21 范數(shù)的多圖正則化非負(fù)矩陣分解
    4.1 算法描述
    4.2 優(yōu)化求解
    4.3 收斂性證明
    4.4 實(shí)驗(yàn)和結(jié)果分析
        4.4.1 實(shí)驗(yàn)預(yù)處理
        4.4.2 參數(shù)設(shè)置
        4.4.3 實(shí)驗(yàn)和結(jié)果分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 未來(lái)展望
參考文獻(xiàn)
致謝
攻讀碩士期間發(fā)表論文



本文編號(hào)：3847451