2.765

2022影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于线性投影结构的非负矩阵分解

李乐 章毓晋

李乐, 章毓晋. 基于线性投影结构的非负矩阵分解. 自动化学报, 2010, 36(1): 23-39. doi: 10.3724/SP.J.1004.2010.00023
引用本文: 李乐, 章毓晋. 基于线性投影结构的非负矩阵分解. 自动化学报, 2010, 36(1): 23-39. doi: 10.3724/SP.J.1004.2010.00023
LI Le, ZHANG Yu-Jin. Linear Projection-based Non-negative Matrix Factorization. ACTA AUTOMATICA SINICA, 2010, 36(1): 23-39. doi: 10.3724/SP.J.1004.2010.00023
Citation: LI Le, ZHANG Yu-Jin. Linear Projection-based Non-negative Matrix Factorization. ACTA AUTOMATICA SINICA, 2010, 36(1): 23-39. doi: 10.3724/SP.J.1004.2010.00023

基于线性投影结构的非负矩阵分解

doi: 10.3724/SP.J.1004.2010.00023
详细信息
    通讯作者:

    李乐

Linear Projection-based Non-negative Matrix Factorization

More Information
    Corresponding author: LI Le
  • 摘要: 非负矩阵分解(Non-negative matrix factorization, NMF)是一个近年来非常流行的非负数据处理方法, 它常用于维数约减、特征提取和数据挖掘等. NMF定义中采用的数学模型基于非线性投影结构构造, 这决定了NMF降维需借助计算量很大的迭代操作来实现. 此外, 由此模型提取的NMF特征常不稀疏, 这与NMF的设计期望相差甚远. 为一并解决上述两个问题, 本文提出了一个新的模型---基于线性投影结构的NMF (Linear projection-based NMF, LPBNMF), 并构造了一个单调的LPBNMF算法. 从数学的角度看, LPBNMF可理解为实现NMF的一种特殊方式. LPBNMF降维通过线性变换来完成, 它所采用的数学模型的自身结构特点决定了由其得到的特征一定非常稀疏. 大量的比较实验表明, PBNMF的降维效率显著高于NMF, LPBNMF特征明显比NMF特征更稀疏和局部化. 最后, 基于AR人脸数据库的实验揭示, LPBNMF特征比NMF、LDA以及PCA等特征更适合于用最近邻分类法处理有遮挡人脸识别问题.
  • 加载中
计量
  • 文章访问数:  2609
  • HTML全文浏览量:  67
  • PDF下载量:  1307
  • 被引次数: 0
出版历程
  • 收稿日期:  2008-09-17
  • 修回日期:  2009-05-06
  • 刊出日期:  2010-01-20

目录

    /

    返回文章
    返回