| 基于图正则化和稀疏约束的增量型非负矩阵分解 |
| |
| 引用本文： | 孙静,蔡希彪,姜小燕,孙福明.基于图正则化和稀疏约束的增量型非负矩阵分解[J].计算机科学,2017,44(6):298-305. |
| |
| 作者姓名： | 孙静 蔡希彪 姜小燕 孙福明 |
| |
| 作者单位： | 辽宁工业大学电子与信息工程学院 锦州121001,辽宁工业大学电子与信息工程学院 锦州121001,辽宁工业大学电子与信息工程学院 锦州121001,辽宁工业大学电子与信息工程学院 锦州121001 |
| |
| 基金项目： | 本文受国家自然科学基金(61272214,9)资助 |
| |
| 摘 要： | 非负矩阵分解(Nonnegative Matrix Factorization,NMF)不仅可以很好地描述数据而且分解后的矩阵具有直观的物理意义。为了提高算法的有效性和识别率,提出了一种更为合理的算法——基于图正则化和稀疏约束的增量型非负矩阵分解(Graph Regularized and Incremental Nonnegative Matrix Factorization with Sparseness Constraints,GINMFSC)。该算法既保持了数据的几何结构,又充分利用上一步的分解结果进行增量学习,而且对系数矩阵施加了稀疏性约束,最后将它们整合于单个目标函数中,构造了一个有效的更新算法。在多个数据库上的仿真结果表明,相对于NMF,GNMF,INMF,IGNMF等算法,GINMFSC算法在降低运算时间的同时,还具有更好的聚类精度和稀疏性。
|
| 关 键 词： | 非负矩阵分解 图正则 稀疏约束 增量学习 |
| 收稿时间： | 2016/4/18 0:00:00 |
| 修稿时间： | 2016/9/1 0:00:00 |
Graph Regularized and Incremental Nonnegative Matrix Factorization with Sparseness Constraints |
| |
| SUN Jing,CAI Xi-biao,JIANG Xiao-yan and SUN Fu-ming.Graph Regularized and Incremental Nonnegative Matrix Factorization with Sparseness Constraints[J].Computer Science,2017,44(6):298-305. |
| |
| Authors: | SUN Jing CAI Xi-biao JIANG Xiao-yan and SUN Fu-ming |
| |
| Affiliation: | School of Electronics and Information Engineering,Liaoning University of Technology,Jinzhou 121001,China,School of Electronics and Information Engineering,Liaoning University of Technology,Jinzhou 121001,China,School of Electronics and Information Engineering,Liaoning University of Technology,Jinzhou 121001,China and School of Electronics and Information Engineering,Liaoning University of Technology,Jinzhou 121001,China |
| |
| Abstract: | |
| |
| Keywords: | Nonnegative matrix factorization Graph regularized Sparseness constraints Incremental learning |
|
|
点击此处可从《计算机科学》下载全文 |
|
