基于双线性型的非负矩阵集分解

摘要：

非负矩阵分解(Non-negative Matrix Factorization,NMF)是一种常用的非负多元数据描述方法.处理数据矩阵集时,NMF描述力不强、推广性差.为解决这两个问题,并保留NMF的好特性,该文提出了非负矩阵集分解(Non-negative Matrix Set Factorization,NMSF)的概念,并在NMSF的框架下系统研究了基于双线性型的非负矩阵集分解(Bilinear Form-Based Non-negative Matrix Set Faetorization,BFBNMSF),构造了单调下降的BFBNMSF算法.理论分析和实验结果均表明:处理数据矩阵集时,BFBNMSF比NMF描述力强、推广性好.由此可认为,此时BFBNMSF比NMF更善于抓住数据的本质特征.

关键词：非负矩阵集分解、双线性型、非负矩阵分解、多无数据描述、图像描述、特征提取

所属期刊栏目：32

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金60872084

在线出版日期：2009-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：1536-1549