非负矩阵分解的自适应单调投影Barzilai-Borwein算法

提出一种新的自适应单调投影Barzilai-Borwein(BB)算法求解非负矩阵分解(NMF).算法不使用任何线搜索,并利用自适应BB步长和梯度的利普希茨常数加速算法收敛.在适当的条件下,证明了算法的全局收敛性.此外,将算法应用于稀疏对称非负矩阵分解,数值实验表明算法是有效的.     

非负矩阵分解的一个约束稀疏算法

针对非负矩阵分解中系数矩阵不够稀疏的问题,提出一个新的约束非负矩阵分解算法。在经典非负矩阵分解的优化函数中施加稀疏性约束,并对分解系数矩阵施加最小相关约束,与此同时对基矩阵施加2-范数约束,在保证非负约束和分解精度的基础上,使分解后得到的矩阵尽可能稀疏,这样可以更加节省存储空间,分解结果更优。对比实验表明,提出的算法具有更好的稀疏性,且实验误差更小。     

非负矩阵分解方法识别电能质量扰动信号

针对因非负矩阵分解模型目标函数非凸而出现局部次优基特征平滑的现象,提出基于特征再分解的数据稀疏表示方法,在多种先验正则信息约束下初步挖掘原始数据的潜在特征,再秉承非负加性线性表示方式的\     

基于非负矩阵分解的阴影检测方法

针对以往的矩阵分解方法不能保证分解结果非负的问题,根据非负矩阵分解（NMF：Non—negativeMatrixFactorization）结果非负的特点,提出了基于NMF的阴影检测方法,并以此为基础将进一步引入的分块非负矩阵分解（BNMF：BlockNon—negativeMatrixFactorization）应用于阴影检测。通过NMF／BNMF提取训练样本中阴影的亮度特征,再根据特征识别测试样本中的阴影区域。实验结果表明,与基于奇异值分解方法相比,该算法的阴影检测细节更清晰,具有更好的效果。     

基于矩阵变换的快速非负矩阵分解

在采用交替非负最小平方方法进行非负矩阵分解的过程中,每次的迭代更新通常很难直接计算出唯一的最优非负分解矩阵. 但是,若采用矩阵变换方法,则对于变换后的代价函数,就有可能获得唯一的最优非负分解矩阵. 对基于矩阵变换的非负矩阵分解进行了理论分析,提出了2种基于矩阵变换的非负矩阵分解算法. 该算法具有与已有算法相似的计算复杂度,却可有效减少非负矩阵分解的更新次数.     

基于稀疏非负TT分解的图像分类算法

针对高阶的图像分类问题,提出一种基于稀疏非负张量链(Tensor Train, TT)分解的模型。采用交替非负最小二乘法求解相应优化问题,并给出该算法的收敛性分析。数值实验表明,与非负矩阵分解相比,稀疏非负TT分解的图像识别率的平均值提升了6.46%。     

非负矩阵分解及其在图像压缩中的应用

矩阵分解是实现大规模数据处理与分析的一种有效工具。非负矩阵分解(non-negative matrix factorization,NMF)算法是在矩阵中所有元素均为非负的条件下对其实现的非负分解,这为矩阵分解提供了一种新的思路。非负矩阵分解为分析局部特征和整体特征之间的关系提供了一种思路,即整体特征是局部特征的非负线性组合,局部特征在构成整体特征时不会产生正负抵消的情况。本文介绍非负矩阵分解的基本思想,结合研究工作讨论在概率模型的框架下实现非负矩阵分解的目标函数和相应的算法,以及非负矩阵分解在图像压缩中的实际应用。     

利用稀疏非负矩阵分解的大转角SAR成像方法

提出了一种采用稀疏非负矩阵分解(NMF)的大转角成像方法．首先将全孔径划分为若干相互重叠的子孔径,然后分别使用极坐标格式算法获得不同视角下的子图像,最终采用加入稀疏增强正则项的NMF算法在图像域对子图像进行迭代融合,获得目标增强和信噪比更高的全孔径综合图像．仿真实验结果验证了该方法的有效性．     

稀疏正则化的非负矩阵分解高光谱解混算法比较与分析

非负矩阵分解(NMF)可以将一个非负的矩阵分解为左右两个非负矩阵的乘积,广泛应用于高光谱影像解混。介绍了非负矩阵分解和高光谱解混的基本原理,对稀疏正则化非负矩阵分解高光谱解混模型进行分析,重点分析了L_1稀疏、L_(1/2)稀疏、以及近似L_0正则化方法,并采用模拟数据和真实数据对各解混算法性能进行了比较和分析。     

Clustering-based hyperspectral band selection using sparse nonnegative matrix factorization

Hyperspectral imagery generally contains a very large amount of data due to hundreds of spectral bands.Band selection is often applied firstly to reduce computational cost and facilitate subsequent tas...     

一种基于L1稀疏正则化和非负矩阵分解的盲源信号分离新算法

针对线性混合模型下的盲源分离这一反问题,提出了一种结合迭代正则化和非负矩阵分解的交替最小化算法．首先把该问题转化为有界约束的二次规划,然后采用了一种自适应BB(Barzilai-Borwein)步长的投影梯度算法来求解．该方法不仅可减少存储量,提高算法速度,而且还很好地刻画了信号的稀疏性和独立性．理论分析和数值试验都验证了该方法的有效性,对混合的二维图像能提高分离的信干比．     

基于非负矩阵分解的欠定卷积盲源分离方法

针对音频信号欠定卷积混合模型的盲源分离求解问题,提出一种基于非负矩阵分解(NMF)的盲源分离方法.该方法以板仓-斋藤(Itakura-Saito)散度和的最大值为目标函数,利用高斯分量表示源信号的短时傅里叶变换(STFT),使用乘积更新算法估计频域内的源信号,以提高其估计的准确度.仿真结果验证了该方法的有效性.     

结构扩展的非负矩阵分解社区发现算法

提出结构扩展的非负矩阵分解社区发现算法(nonnegative matrix factorization with structure extension, NMF-SE),通过结构扩展,加强相邻节点结构相似性,提高节点间连接的稠密度,从而提高非负矩阵分解在社区发现中的表现。结构扩展过程使节点将自身结构以一定的比例传递给周围的节点,从而使相邻节点间能够得到对方的拓扑结构信息。该过程构造了新的特征矩阵,使非负矩阵分解(nonnegative matrix factorization, NMF)更好地适用于社区发现,在图正则化的半监督任务中能更好地融合先验信息。在人工网络和真实网络上进行试验验证的结果表明,NMF-SE算法有效提高了复杂网络社区发现的准确性。     

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.     

基于非负矩阵分解的Slope One算法

针对协同过滤推荐算法中Slope One算法在稀疏数据集中推荐精度低的问题,利用矩阵分解在解决矩阵稀疏性方面的优势,将非负矩阵分解技术引入到用户-项目评分矩阵的降维处理中,将原有的稀疏评分矩阵进行非负分解,改善了矩阵的稀疏性,优化Slope One算法. 从实验数据可以看出,与原始的CF算法进行比较,NMF-Slope One算法有较好的推荐效果. 在数据稀疏的条件下,确定参数进行实验. 实验结果表明,该方法提高了Slope One算法在数据稀疏下的精度和推荐质量.     

Remote sensing image fusion based on sparse non-negative matrix factorization

In order to reduce the spectral and spatial distortions, a novel method based on sparse non-negative matrix factorization (SNMF) is proposed for multispectral and panchromatic images fusion. Firstly, the high spatial resolution and low spatial resolution dictionaries are learned from panchromatic. Then we construct a sparse non-negative matrix factorization model of the multispectral image. Thus, the coefficients matrix with spectral information can be obtained. The high spatial resolution multispectral image is produced by the multiplication high spatial resolution dictionary and the coefficients matrix. By introducing the sparse regularization, the instability of the standard non-negative matrix factorization is conquered and the fused image can preserve the high spectral and spatial information. Some experiments are made on QuickBird and Geoeye satellite datasets, and experimental results show that our proposed method can reduce distortions in both the spectral and spatial domains, and outperform some related pan-sharpening approaches in visual results and numerical guidelines.