结构正则化多视图非负矩阵分解

现存非负矩阵分解（non-negative matrix factorization,NMF）研究多考虑单一视图分解数据,忽略了数据信息的全面性。此外,NMF限制其获取数据的内在几何结构。针对以上问题,提出一个结构正则化多视图非负矩阵分解算法（structure regularized multi-view nonnegative matrix factorization,SRMNMF）。首先,通过主成分分析来对数据进行全局结构的判别式学习;其次,利用流形学习来捕获数据的局部结构;然后,通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能,更加有效地挖掘数据的结构信息。此外,采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法比较,所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。     

无磁转台的电子罗盘误差分离标定方法

采用3个分立的磁感式磁传感器和三轴加速度传感器制作了全数字输出电子罗盘;基于自制三轴旋转无磁转台提出了一种电子罗盘标误差分离标定方法.通过无磁转台获取磁传感器敏感轴非正交或未对准的参数和磁传感器输出特性曲线,磁传感器的灵敏度系数因子和偏置量.分别评价偏置、灵敏度系数不一致以及非正交或未对准对电子罗盘方位角精度的影响.实验结果表明:经过校准后,电子罗盘水平面内误差不超过0.22°,而俯仰角和翻滚角在60°内时,方位角最大误差约为0.4°,说明了标定方法的有效性.