图正则化稀疏判别非负矩阵分解

摘要：

非负矩阵分解是一种流行的数据表示方法,利用图正则化约束能有效地揭示数据之间的局部流形结构.为了更好地提取图像特征,给出了一种基于图正则化的稀疏判别非负矩阵分解算法(graph regularization sparse discriminant non-negative matrix factorization,GSDNMF-L2,1).利用同类样本之间的稀疏线性表示来构建对应的图及权矩阵;以L2,1范数进行稀疏性约束;以最大间距准则为优化目标函数,利用数据集的标签信息来保持数据样本之间的流形结构和特征的判别性,并给出了算法的迭代更新规则.在若干图像数据集上的实验表明,GSDNMF-L2,1在特征提取方面的分类精度优于各对比算法.

关键词：非负矩阵分解、特征提取、降维、流形学习、最大间距准则、判别信息、稀疏约束、线性表示

所属期刊栏目：14

分类号：TP391.4(计算技术、计算机技术)

资助基金：2018年江苏省研究生科研创新计划项目KYCX18_1871

在线出版日期：2020-03-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1217-1224