基于NMF-SVM的复杂化工过程故障诊断

针对复杂化工过程中存在故障数据维数大与识别率低的问题,提出了1种非负矩阵分解与支持向量机相结合的故障诊断方法。该方法首先对原始特征数据进行非负矩阵分解,得到基向量矩阵与系数矩阵,用基向量矩阵作为输入训练SVM分类器,针对NMF结果的不稳定性,采用PCA模型确定NMF的初始值;然后通过系数矩阵构造超定线性方程组,并将其最小二乘解作为样本特征矩阵输入分类器进行故障类型的识别。通过对Tennessee Eastman(TE)过程数据的仿真研究,实验结果验证了该方法的有效性。     

组合2DFLDA监督的非负矩阵分解和独立分量分析的特征提取方法*

通过对投影非负矩阵分解(NMF)和二维Fisher线性判别的分析,针对NMF的特征提取存在无监督学习以及特征维数高的问题,提出了组合2DFLDA监督的非负矩阵分解和独立分量分析(SPGNMFICA)的特征提取方法。首先对样本进行投影梯度的非负矩阵分解,将得到的NMF子图像进行二维Fisher线性判别,主要反映类间差异信息构建子空间;对子空间的向量进行独立分量分析(ICA),得到独立分量特征空间;其次将样本在独立分量特征空间上进行投影;最后使用径向基网络对投影系数进行识别。通用人脸库ORL和YALE的识别实验证明,该算法是一种有效的特征提取和识别方法。     

基于分块非负矩阵分解人脸识别增量学习*

非负矩阵分解(NMF)算法可以提取图像的局部特征,然而NMF算法有两个主要缺点：a）当矩阵维数较大时,NMF算法非常耗时;b）当增加新的训练样本或类别时,NMF算法必须进行重复学习。为克服NMF算法这些缺点,提出了一种新的分块NMF算法(BNMF)。特别地,该方法还可用于增量学习。通过在FERET和CMU PIE人脸数据库上进行实验,结果表明该算法均优于NMF和PCA算法。     

基于小波变换和二维非负矩阵分解的人脸识别算法

结合二维离散小波变换(2DDWT)和二维非负矩阵分解(2DNMF)两者的优点,提出了一种新的人脸识别融合算法2DDWT+2DNMF。首先利用小波变换把人脸图像分解成四个子块频带区域,并对三个高频子块进行图像融合,然后对低频子块和融合图像进行二维非负矩阵分解以提取特征,进而对特征数据进行加权处理。ORL和YALE人脸数据库中的识别实验表明,与PCA、SVD、NMF以及2DDWT+NMF算法相比,新融合算法能有效缩短训练时间和提高识别率。     

NMF和Isomap相结合的图像检索新方法*

非负矩阵分解(NMF)能够提取图像的局部特征,是一种基于局部的数据挖掘方法,在一定程度上勾勒出了相关图像在基矩阵所代表空间上的分布,然而NMF并未考虑数据的内在几何结构。提出了一种新颖的基于非负矩阵分解和非线性降维方法Isomap相结合的新方法,全局的非线性降维方法Isomap能发现数据的内在结构和相关性,使高维数据在低维空间变得可视化。将本算法应用于图像检索,实验表明,该方法能够更加准确的获取信息,提高检索的准确性。     

基于Contourlet-NMF和SVM的近红外人脸识别方法

针对近红外人脸识别对表情和姿势变化缺乏足够鲁棒性的问题,提出一种基于Contourlet变换、非负矩阵分解NMF(Non-negative Matrix Factorization)与支持向量机(SVM)的近红外(NIR)人脸识别算法。该算法首先对NIR人脸图像进行Contourlet变换,接着用NMF进行分解,取其系数矩阵的一阶统计量作为特征数据,然后利用SVM进行分类与识别。实验结果表明,该算法具有较高的识别率,而且对人脸表情和姿势变化具有较强的鲁棒性。     

融合Garbor小波和流形学习的人脸表情识别

通过Garbor小波提取人脸表情特征,为降低Garbor变换后向量维数和提取有效的鉴别特征,将手动选取特征点和监督局部线性嵌入（SLLE）结合起来,利用人脸表情图像数据本身的非线性流形结构信息和样本标签信息来调整点到点之间的距离,并形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸表情识别。结果表明该方法能更为有效地提取反映表情状态的特征,识别率优于传统的PCA算法,取得了较好的识别效果。最后实验分析了SLLE算法近邻数K和嵌入维数对识别率的影响,得到了SLLE算法的最优近邻数K和低维嵌入维数。     

小波核局部Fisher判别分析的高光谱遥感影像特征提取

为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.     

基于改进奇异值分解的人耳识别别算法研究

提出了基于特征矩阵和改进的奇异值分解的人耳识别算法。采用特征矩阵及Fisher最优鉴别分析方法将原始样本向最优鉴别矢量投影,有效地降低了维数,再进行奇异值分解后所得到的正交矩阵,进行人耳识别,实验结果验证该方法在人耳识别应用中的有效性。     

NSCT和非负矩阵分解的图像融合方法

非采样Contourlet变换（Nonsubsampled Contourlet transform,NSCT）是一种新的多尺度变换,它同时具有方向性、各向异性和平移不变性,能有效地表示图像的边沿与轮廓。非负矩阵分解（Non-negative Matrix Factorization,NMF）是在矩阵中所有元素均为非负数的条件下的一种矩阵分解方法。在非负矩阵分解过程中,适当地选取特征空间的维数能够获得原始数据的局部特征。提出了一种基于NSCT和NMF的图像融合方法。首先用NSCT对已配准的源图像进行分解,得到低通子带系数和各带通子带系数;其次将低通子带系数作为原始数据,选取特征空间的维数为1,利用非负矩阵分解得到包含特征基的低通子带系数;对各带通子带系数采取绝对值最大的原则进行系数选择,得到融合图像的各带通子带系数;最后经过NSCT逆变换得到融合图像。实验结果表明,融合结果优于Laplacian方法、小波方法和NMF方法。     

Adaptive Harmonic Spectral Decomposition for Multiple Pitch Estimation

Multiple pitch estimation consists of estimating the fundamental frequencies and saliences of pitched sounds over short time frames of an audio signal. This task forms the basis of several applications in the particular context of musical audio. One approach is to decompose the short-term magnitude spectrum of the signal into a sum of basis spectra representing individual pitches scaled by time-varying amplitudes, using algorithms such as nonnegative matrix factorization (NMF). Prior training of the basis spectra is often infeasible due to the wide range of possible musical instruments. Appropriate spectra must then be adaptively estimated from the data, which may result in limited performance due to overfitting issues. In this paper, we model each basis spectrum as a weighted sum of narrowband spectra representing a few adjacent harmonic partials, thus enforcing harmonicity and spectral smoothness while adapting the spectral envelope to each instrument. We derive a NMF-like algorithm to estimate the model parameters and evaluate it on a database of piano recordings, considering several choices for the narrowband spectra. The proposed algorithm performs similarly to supervised NMF using pre-trained piano spectra but improves pitch estimation performance by 6% to 10% compared to alternative unsupervised NMF algorithms.      

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

连续小波变换-支持向量回归用于植物样品多组分分析

采用连续小波变换（CWT）技术对近红外光谱（NIR）数据进行预处理,扣除光谱中的背景与噪音成分,再用支持向量回归（SVR）进行建模,建立了用于复杂植物样品多组分分析的建模方法（CWT-SVR）,并应用于烟草样品中常规成分（总糖、总植物碱和总氮）含量的测定。结果表明,CWT—SVR方法优于基于全谱数据的SVR和偏最小二乘（PLS）法,为近红外光谱定量分析提供了一种新的建模方法。     

利用自助拉丁配分和模糊规则对橄榄油进行分类研究

利用Nicolet 6700傅里叶变换近红外光谱仪测定了20个橄榄油样品的光谱数据。采用多元散射校正、Savitz-ky-Golay平滑以及二阶求导对原始光谱数据进行预处理以提高信噪比、消除背景和基线的影响。在(4500～12000)cm~(-1)波段范围内计算20个近红外光谱的标准偏差,以(5200～5300)cm~(-1)和(5600～6000)cm~(-1)作为输入建立模糊专家系统。建模过程中采用n次自助拉丁配分法进行评价分类和建模的结果,将更具统计意义的n次均值作为预测结果。利用模糊专家系统的分类树和定量预测都能成功地将20个橄榄油分为特级初榨和普通橄榄油2大类。结果表明,本文为橄榄油品质的鉴定提供了1种简便、快捷、准确的方法。     

苹果近红外光谱的特征提取和分类研究

采用近红外光谱分析法对不同种类的苹果样品进行分类,提出一种基于非相关判别转换的苹果近红外光谱定性分析新方法。实验分别采用主成分分析、Fisher判别分析和非相关判别转换三种方法对苹果光谱数据进行特征提取,并使用K-近邻分类算法建立三种苹果分类识别模型,最后使用"留一"交叉验证法进行模型检验。结果表明,使用非相关判别转换方法建立的模型正确识别率优于使用主成分分析和Fisher判别分析建立的模型。     

基于线性投影结构的非负矩阵分解

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.     

基于感知掩蔽的重构非负矩阵分解单通道语音增强算法

针对非负矩阵分解（NMF）语音增强算法在低信噪比（SNR）非稳定环境下存在噪声残留的问题,提出一种基于感知掩蔽的重构NMF（PM-RNMF）单通道语音增强算法。首先,将心理声学掩蔽特性应用于NMF语音增强算法中;其次,对不同频率位采用不同的掩蔽阈值,建立自适应感知掩蔽增益函数,通过阈值约束残余噪声能量和语音失真能量;最后,结合语音存在概率（SPP）进行感知增益修正,重构NMF算法,以此建立新的目标函数。仿真结果表明,在不同SNR的3种非稳定噪声环境下,与NMF、重构NMF（RNMF）、感知掩蔽深度神经网络（PM-DNN）算法相比,PM-RNMF算法的感知语音质量评估（PESQ）平均值分别提高了0.767、0.474、0.162,信源失真比（SDR）平均值分别提高了2.785、1.197、0.948。实验结果表明,无论是在低频还是高频PM-RNMF有更好的降噪效果。     

WinCC应用组态王XY曲线实现近红外在线分析

近红外光谱在线分析是一种最近广泛应用的过程分析技术。中药多成分近红外光谱在线分析需要作图控件在曲线显示方面具备多条光谱及其预测性质值的实时叠加显示、缩放、谱峰定位等功能,而广泛应用于在线监控的WinCC软件提供的作图控件不能满足需要。本文通过在WinCCV6.0软件中注册组态王超级XY曲线控件并应用VBSript语言编程实现,很好地解决了这一问题。将该技术应用于中药提取过程近红外光谱在线分析系统,使得操作员能够实时、直观地观察到近红外光谱及中药成分预测值的变化,有效保证生产工艺稳定。     

手性药物联用色谱重叠峰的定性定量解析方法

将新近发展的非负矩阵因子分解法(NMF)与最小二乘相结合,提出一套对手性药物重叠峰的HPLC-DAD二维数据作化学波谱分辨和定量分析的方法。因无选择性检测波长,手性药物的重叠组分无法分别检测。本文首先应用NMF实现重叠峰的光谱色谱分辨,在此基础上,结合最小二乘拟合,实现了对重叠组分的同时定量。对实测体系手性药物盐酸舍曲林及顺式对映体重叠峰的分析．证明该解析方法与传统的垂直分割法相比,可获得更令人满意的结果,回收率在95．5-104．5％,符合仪器分析的要求。该方法在手性药物未完全分离的情况下,可获知在混合体系中手性药物及对映体量的多少,对手性药物进一步分离纯化有指导作用。表明化学计量学方法与现代分析手段有机结合,为手性药物等复杂体系的分析提供新途径。     

Discriminant Convex Non-negative Matrix Factorization for the classification of human brain tumours

The medical analysis of human brain tumours commonly relies on indirect measurements. Among these, magnetic resonance imaging (MRI) and spectroscopy (MRS) predominate in clinical settings as tools for diagnostic assistance. Pattern recognition (PR) methods have successfully been used in this task, usually interpreting diagnosis as a supervised classification problem. In MRS, the acquired spectral signal can be analyzed in an unsupervised manner to extract its constituent sources. Recently, this has been successfully accomplished using Non-negative Matrix Factorization (NMF) methods. In this paper, we present a method to introduce the available class information into the unsupervised source extraction process of a convex variant of NMF. Novel techniques to generate diagnostic predictions for new, unseen spectra using the proposed Discriminant Convex-NMF are also described and experimentally assessed.