加稀疏约束的非负矩阵分解

加稀疏约束的非负矩阵分解

论文摘要

非负矩阵分解(Nonnegative Matrix Factorization,NMF)是国际上新近提出的一种矩阵分解方法。与其他矩阵分解方法相比,NMF特殊之处在于其通过将非负性约束引入矩阵分解过程中,这种约束会得到原始数据基于部分的表示,从而更好的反映原始数据的局部特征。由于现实世界里大量实验数据都是非负表述的,这使得该方法存在广泛的应用,如盲源分离和非负信号分析、模式识别、文本知识挖掘、数字图像水印以及人脸表情识别[16-21]等领域。根据应用的不同,需要分解的矩阵元素就可以有不同的解释。例如Lee和Seung介绍的方法[’]就是把人脸图像分解成部分(如嘴唇、眼睛、鼻子、耳朵等等)。本文第一部分介绍了非负矩阵分解产生的背景、其问题描述以及研究现状,对NMF问题还存在的缺点和难点做了说明。第二部分首先介绍了本文相关的预备知识,接下来列举了一些已有的NMF算法,并对其进行了详细介绍,使得大家对NMF方法有了更加深入的了解。第三部分则提出了本文的核心:加稀疏约束的非负矩阵分解算法,该算法是对以前NMF算法的一种改进。NMF的目的就是把原始非负矩阵V∈Rm×n分解成新的非负矩阵W∈Rm×r和H∈Rr×n的乘积:V≈WH,其中r满足:(m+n)r<mn,并且使分解误差尽可能的小。而我们的目标则是在保证非负约束条件和分解精度的基础上,通过在目标函数上增加稀疏约束条件,使分解后得到的矩阵尽可能的稀疏,从而更加的节省存储空间。第四部分是数值实验,利用数值算例验证了文中所得结论的正确性以及求解方法的有效性,并通过与不同方法的比较验证了该算法确实具有较快的收敛速度及很好的稀疏性。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 背景及问题描述
  • 1.2 研究进展及存在问题
  • 1.3 本文研究问题及主要工作
  • 1.4 本文所用的记号
  • 2 非负矩阵分解算法介绍
  • 2.1 预备知识
  • 2.1.1 最速下降法
  • 2.1.2 最优性条件
  • 2.1.3 凸性
  • 2.2 乘性迭代法(Multiplicative algorithms)
  • 2.2.1 乘性迭代规则
  • 2.2.2 收敛性证明
  • 2.3 投影梯度法(Projected Gradient Methods)
  • 2.4 一种带有正则约束的非法矩阵分解算法
  • 3 加稀疏约束的非负矩阵分解
  • 3.1 稀疏性概述
  • 3.2 加稀疏约束的非负矩阵分解算法
  • 3.2.1 加向量2-范数约束条件的非负矩阵分解
  • 3.2.2 加向量1-范数约束条件的非负矩阵分解
  • 4 数值实验
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表学术论文情况
  • 致谢
  • 相关论文文献

    • [1].深度非负矩阵分解的链路预测方法研究[J]. 计算机工程与应用 2020(15)
    • [2].带核方法的判别图正则非负矩阵分解[J]. 计算机科学与探索 2020(11)
    • [3].应用非负矩阵分解的数据重构[J]. 三明学院学报 2018(06)
    • [4].基于核的L_(2,1)范数非负矩阵分解在图像聚类中的应用[J]. 数学杂志 2019(03)
    • [5].基于增量非负矩阵分解的合成孔径雷达目标识别[J]. 科学技术与工程 2017(12)
    • [6].基于联合非负矩阵分解的协同过滤推荐算法[J]. 模式识别与人工智能 2016(08)
    • [7].基于多核非负矩阵分解的机械故障诊断[J]. 西北工业大学学报 2015(02)
    • [8].二维局部非负矩阵分解的路网态势算法[J]. 上海交通大学学报 2015(08)
    • [9].重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混[J]. 遥感学报 2020(04)
    • [10].基于非负矩阵分解的类标签映射集成学习[J]. 科学技术与工程 2018(01)
    • [11].非负矩阵分解及其改进方法[J]. 华侨大学学报(自然科学版) 2016(06)
    • [12].非负矩阵分解的分布式算法[J]. 中国计量大学学报 2017(01)
    • [13].基于非平滑非负矩阵分解语音增强[J]. 计算机工程与应用 2017(07)
    • [14].融合先验信息的非负矩阵分解社区发现算法[J]. 模式识别与人工智能 2016(07)
    • [15].贝叶斯非负矩阵分解语音增强的优化算法[J]. 解放军理工大学学报(自然科学版) 2015(01)
    • [16].非负矩阵分解的一个约束稀疏算法[J]. 四川大学学报(工程科学版) 2015(02)
    • [17].基于对称非负矩阵分解的重叠社区发现方法[J]. 计算机应用 2015(10)
    • [18].基于非负矩阵分解的网络重叠社区发现研究[J]. 系统仿真学报 2014(03)
    • [19].一种基于加权非负矩阵分解的矿产预测方法[J]. 地质学刊 2013(01)
    • [20].二维非负矩阵分解在齿轮故障诊断中的应用[J]. 振动.测试与诊断 2012(05)
    • [21].非负矩阵分解及其在图像压缩中的应用[J]. 西安邮电学院学报 2008(03)
    • [22].在线学习非负矩阵分解[J]. 计算机科学 2019(S1)
    • [23].稀疏正则化的非负矩阵分解高光谱解混算法比较与分析[J]. 南昌工程学院学报 2017(06)
    • [24].β距离与图形限制式的非负矩阵分解应用于单信道分离的效果研究[J]. 赤峰学院学报(自然科学版) 2017(20)
    • [25].基于最小体积约束的非负矩阵分解模型的高光谱解混算法探究[J]. 成都大学学报(自然科学版) 2014(04)
    • [26].基于结构投影非负矩阵分解的协同过滤算法[J]. 浙江大学学报(工学版) 2015(06)
    • [27].基于结构投影非负矩阵分解的协同过滤算法[J]. 浙江大学学报(工学版) 2015(07)
    • [28].稀疏约束图正则非负矩阵分解[J]. 计算机科学 2013(01)
    • [29].基于约束非负矩阵分解的混合象元分解新方法[J]. 杭州电子科技大学学报 2009(04)
    • [30].基于文本挖掘的自动非负矩阵分解的层次聚类方法[J]. 江苏科技信息 2019(04)

    标签:;  ;  ;  ;  ;  ;  

    加稀疏约束的非负矩阵分解
    下载Doc文档

    猜你喜欢