具有普适性的改进非负矩阵分解图像特征提取方法

为提高图像特征提取的普适性,提出了一种基于改进非负矩阵分解（NMF）的图像特征提取方法。首先,考虑到提取的图像特征的实际意义,选用非负矩阵分解模型进行图像特征的降维处理;其次,为实现用较小数量系数来描述图像特征,将稀疏约束作为非负矩阵分解模型的正则项之一;然后,为使降维后优化得到的特征具有较好的类间区分性,将聚类属性作为非负矩阵分解的另一个正则项;最后,通过对模型的梯度下降优化求解,获得最优的特征基向量与图像特征向量。实验结果表明,针对3种图像数据库,所提的图像特征更有利于图像正确分类或识别,错误接受率（FAR）与错误拒绝率（FRR）分别可以降低到0.021与0.025。     

SENSC: 一个稳定高效的非负稀疏编码算法

非负稀疏编码(Nonnegative sparse coding, NSC)已成功应用在很多领域的研究中. 目前使用的NSC算法通过梯度投影法和基于辅助函数的乘性更新法相结合来实现, 其性能受迭代步长的影响很大, 且效率较低. 为增强NSC的可应用性, 本文通过对一组凸超抛物面函数做交替最小化来实现NSC, 并依据凸超抛物面特性、点到非负数集合的投影规则以及点到原点处单位超球的投影规则构造了一个无用户定义优化参数的稳定高效的NSC算法---SENSC. 从数学角度, 文中推断了SENSC比现有算法高效且它的解优于当前算法的解, 证明了它的稳定性和收敛性. 实验验证了上述理论推断的正确, 说明了SENSC调节编码稀疏性的能力比已有算法更强.     

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。     

基于投影梯度法的非负矩阵分解稀疏算法

文章提出了一种基于投影梯度法的非负矩阵分解稀疏算法,该算法通过引入基于投影梯度的迭代方法,来解决加向量1-范数约束以及加向量2-范数约束的非负矩阵分解问题,得到了局部最优解。通过实验表明该算法在分解时间以及基矩阵的稀疏度表达能力上优于NMF算法和SNMF算法。     

基于双线性型的非负矩阵集分解

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.     

基于稀疏约束的半监督非负矩阵分解算法

矩阵分解因可以实现大规模数据处理而具有十分广泛的应用。非负矩阵分解(Nonnegative Matrix Factorization,NMF)是一种在约束矩阵元素为非负的条件下进行的分解方法。利用少量已知样本的标注信息和大量未标注样本,并施加稀疏性约束,构造了一种新的算法——基于稀疏约束的半监督非负矩阵分解算法。推导了其有效的更新算法,并证明了该算法的收敛性。在常见的人脸数据库上进行了验证,实验结果表明CNMFS算法相对于NMF和CNMF等算法具有较好的稀疏性和聚类精度。     

稀疏约束下非负矩阵分解的增量学习算法

非负矩阵分解(NMF)是一种有效的子空间降维方法。为了改善非负矩阵分解运算规模随训练样本增多而不断增大的现象,同时提高分解后数据的稀疏性,提出了一种稀疏约束下非负矩阵分解的增量学习算法,该算法在稀疏约束的条件下利用前一次分解的结果参与迭代运算,在节省大量运算时间的同时提高了分解后数据的稀疏性。在ORL和CBCL人脸数据库上的实验表明了该算法降维的有效性。     

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。     

基于改进非负矩阵分解的手背静脉识别算法

为提高手背静脉识别过程中特征的有效性,提出了一种基于改进非负矩阵分解（NMF）的识别算法．首先,静脉图像经过分块后,将每一块子图像的像素均值与平均梯度幅值作为图像原始特征;其次,将所有训练样本原始特征形成的特征矩阵进行非负矩阵分解,其中对分解后的系数向量加以稀疏性与可区分性约束,从而形成改进的非负矩阵分解模型;再次,基于梯度投影法对提出的非负矩阵分解模型进行求解,获取新的特征基与特征向量;最后,利用最近邻匹配算法对特征向量进行分类,实现身份的识别．实验结果表明,提出的识别算法可获得较高的识别率,处理过程具有较好实时性．     

基于非负张量分解的人脸识别算法研究

人脸识别是生物特征识别中一个活跃的研究领域。非负张量分解作为非负矩阵分解的多线性推广,已被成功应用到人脸识别等领域。提出了基于非负张量分解的人脸识别算法。该方法无需将人脸矩阵向量化,从而保持了人脸矩阵的内部结构,即人脸图像的整体结构,使人脸特征提取更精确。 实验结果表明, 与经典的人脸识别算法如PCA和NMF相比,该算法提供了一种更好的脸部表示模式,提高了人脸识别的正确率。     

基于加权正交约束非负矩阵分解的车脸识别算法

面对多类别且标注数量有限的样本,为进一步提高车脸图像的识别准确性,提出一种基于改进非负矩阵分解（NMF）的车脸识别算法。首先,采用方向梯度直方图（HOG）算子提取车脸图像局部区域形状特征,并将其作为车脸图像的初始特征;而后,提出具有多权重、正交性、稀疏性约束的NMF模型,并基于该模型获得了描述车脸图像中关键区域的特征基,实现了特征的降维;最后,利用离散余弦距离计算特征间的相似性,进而对车脸图像是否匹配作出判断。实验结果表明,对于建立的车脸图像数据集,提出的识别算法能够取得较好的识别效果,准确率可达到97.56%,且满足实时性要求。     

二维投影非负矩阵分解算法及其在人脸识别中的应用

建立在最小化非负矩阵分解损失函数上的人脸识别算法需同时计算基矩阵和系数矩阵, 导致求解这类问题十分耗时. 本文把非负属性引入二维主成分分析(2-dimensional principal component analysis, 2DPCA)中, 提出了一种新的二维投影非负矩阵分解(2-dimensional projective non-negative matrix factorization, 2DPNMF)人脸识别算法. 该算法在保持人脸图像的局部结构情况下, 突破了最小化非负矩阵分解损失函数的约束, 仅需计算投影矩阵(基矩阵), 从而降低了计算复杂度. 本文从理论上证明了所提出算法的收敛性, 同时, 使用了YALE、FERET和AR三个人脸库进行实验, 结果表明2DPNMF不仅识别率高, 而且速度优于非负矩阵分解和二维主成分分析.     

基于NMF分组策略的人脸识别

提出一种运用非负矩阵分解（NMF）分组策略进行人脸识别的方法。将训练图像分组,分别对每组图像作NMF,获取每组图像的基图像构成的非负特征子空间,将训练图像和测试图像分别向各个特征子空间进行投影,将每组图像提取出的特征系数混合,根据最近邻原则进行识别。基于ORL人脸数据库上的实验证明了该方法的有效性。     

基于S域NMF的模拟电路故障特征提取新方法

针对提取的模拟电路故障特征向量信息不够充分的问题,提出了一种将S时频变换(ST,S-transform)和非负矩阵分解(NMF,non-negative matrix factorization)相结合的特征选取新方法.该方法先对模拟电路故障响应信号应用S时频变换建立时频图谱矩阵,再用NMF算法构造时频图谱数据集合的子空间基矩阵,有效降低了投影特征向量的维数,保留了足够多的故障隐含特征信息,进而提高模拟电路故障识别率.最后,在Sallen-Key高通滤波器电路中验证了文中方法的有效性.     

三维非负矩阵因子分解代谢组学数据解析

多维数据解析方法越来越引起人们的重视,非负矩阵因子分解算法已较广泛地用于图像分析。基于PARAFAC模型,将非负矩阵因子分解算法拓展为三维非负矩阵因子分解算法(three dimension non-negative matrix factorization,NMF3)。其原理简明,算法易于执行。与基于向量计算的其他三维化学计量学算法不同,NMF3基于矩阵计算单个元素,所以不必将三维数据平铺处理,就可直接解析,为三维数据解析研究提供了一种全新的思路和方法。应用NMF3解析模拟三维数据和代谢组学数据,结果令人满意。     

基于非负矩阵分解和支持向量机的心电图分类

提出一种心电信号分类方法,利用非负矩阵分解进行数据降维,运用支持向量机进行心电信号分类,以保留更多的原始数据信息,从而更有效地提取高维心电数据特征,提高分类准确度。通过对MIT-BIH数据库中4类常见心电信号进行分类实验,证明该方法的整体准确率达到99%。     

基于光滑性和主成分的非负矩阵分解算法

非负矩阵分解(NMF)存在收敛速度慢的缺点,其根本原因是基图像（基矩阵）包含大量的噪声点。另外,系数矩阵相关性很大,不利于区分不同图像。鉴于以上缺点,提出了基于光滑性和主成分的非负矩阵分解（SPNMF）：一方面通过添加常数矩阵来增强基矩阵的光滑性,平抑噪声点,达到减少迭代次数的目的;另一方面在原损失函数基础上,将系数矩阵不同列之间的方差作为惩罚项,提高系数矩阵的区分度。在PIE和FERET人脸库中的实验表明,SPNMF不仅能够提高人脸识别的正确率,而且速度比NMF快2~4倍,使得基于非负矩阵的人脸识别系统更具有实用价值。     

基于有监督双正则NMF的静脉识别算法

为使提取的静脉图像特征具有较好的聚类特性以更利于正确识别,提出了一种基于有监督非负矩阵分解的识别算法。首先,对静脉图像进行分块处理,通过融合所有的子图像特征形成静脉的原始特征;其次,采用特征的稀疏性与聚类属性双正则项,对原始的非负矩阵分解模型进行改进;然后,基于梯度下降法对改进的非负矩阵分解模型进行求解,实现对原始特征的降维与优化;最后,利用最近邻算法对新的特征进行匹配,从而获得识别结果。实验结果表明,对于3种静脉样本数据库,所提识别算法的错误接受率与错误拒绝率分别可以达到0.02与0.03;此外,其2.89s的识别时间可以满足实时性要求。     

一种改进的基于NMF的人脸识别方法

针对NMF(非负矩阵分解)算法基于局部特征提取的特点,提出了一种对NMF基矩阵的处理方法,以提高在局部遮挡环境下人脸识别系统的识别率。首先使用离散小波变换得到样本的低频信息,利用NMF得到基矩阵;然后通过阈值判断提取能够突出表现人脸特征的部分,得到优化后的特征子空间,并将样本在该子空间上投影;最后使用支持向量机对所得到的投影系数分类。实验结果表明,优化算法其运算时间较短,且能有效地提高人脸在部分遮挡环境中的识别率。