非负矩阵集分解
非负矩阵分解(Nonnegative Matrix Factorization,NMF)是一种新近被提出的方法,它以非线性的方式实现对非负多元数据的纯加性、局部化、线性和低维描述.NMF可使数据中的潜在结构、特征或模式变得清晰,因此它作为一种有效的特征提取手段已被成功应用在许多领域的研究中.但是,NMF的处理对象本质上是向量,用NMF处理数据矩阵集时要先将被处理矩阵集中的矩阵逐一矢量化,这常使对应的学习问题成为典型的小样本问题,从而使NMF结果的描述力不强、推广性差.为克服这两个问题,并保留NMF的好的特性,该文提出了非负矩阵集分解(Nonnegative Matrix-Set Factorization,NMSF),不同于NMF处理数据矩阵的矢量化结果,NMSF直接处理数据矩阵本身.理论分析显示:处理数据矩阵集时,NMSF会比NMF描述力强、推广性好.为了说明NMSF如何实现,也为了能对NMSF的性能做实验验证,构造了NMSF实现方式之一的基于双线性型的NMSF(BilinearForm-Based NMSF,BFBNMSF)算法.BFBNMSF和NMF的比较实验结果支持了理论分析的结论,需要指出,更佳的描述力和更好的推广性意味着NMSF比NMF更善于抓住数据矩阵的本质特征.
图像描述、特征提取、非负矩阵集分解、非负矩阵分解、多元数据描述
31
TP391(计算技术、计算机技术)
国家自然科学基金60573148;教育部高等学校博士学科点专项科研基金SRFDP-20060003102资助课题
2009-04-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
255-260