基于L0稀疏约束的近似NMF高光谱解混

非负矩阵分解(NMF)由于其非负性和分块表征能力,使得该算法大量的应用于机器学习和信号处理等相关领域。经典NMF与线性混合的高光谱模型比较一致,因此在高光谱解混中被广泛应用。因为传统的NMF模型对初值非常敏感,难以保证算法的收敛性。所以,通常对其加入各种稀疏性约束。本文就NMF的L_0约束提出了一种联合稀疏特性的近似NMF算法,它分别约束基础矩阵和系数矩阵,并将其与不受约束的NMF技术结合,诸如乘法更新规则或交替的非负最小二乘方案。最后采用真实仿真数据验证了该算法在光谱解混中相对其他算法所具有的优越性和有效性。     

结合K均值和非负矩阵分解集成文本聚类算法

将非负矩阵分解(NMF)引入到文本聚类集成问题中,为解决NMF随机初始化所引起的不稳定性问题,首先采用最小最大原则确定K均值算法的初始质心,并获得稳定的聚类结果;其次,将K均值算法的聚类结果作为NMF的初始因子矩阵,并对超图的邻接矩阵进行NMF,获得基矩阵和系数矩阵;最后根据系数矩阵获得最终的聚类结果,由此设计了NMFK算法。在多组真实文本集上进行了实验,结果表明:NMFK算法运行高效,并且获得了比其他常见的聚类集成算法更加优越的结果。     

非负矩阵因子分解算法在GC/MS数据解析中的应用

根据化学波谱的基本特征对NMF算法进行了改进,应用改进的NMF进行古井贡酒样GC/MS实验数据解析,得到了比较理想的结果。     

基于鉴别流形的不相关稀疏投影非负矩阵分解

基于流形学习、稀疏表示和鉴别分析理论,提出一种基于鉴别流形的统计不相关稀疏投影非负矩阵分解(discriminative manifold—based uncorrelated sparse projective NMF, DMUPNMF)算法。该方法继承了线性投影NMF优点,充分利用了数据集的局部和非局部几何鉴别信息,能够从数据集中抽取不相关鉴别特征,且分解结果具有良好的数据局部表示和稀疏性;给出多乘更新规则求解优化算法并证明其收敛性,还给出投影梯度优化算法以提高收敛速度。为解决大规模数据处理中计算量和存储空间过大问题,提出一种从训练集选取少量代表性样本学习DMUPNMF方法。大量的实验表明,该算法优于现有的改进NMF算法。     

确定NMF基个数的能量提取法

为了确定NMF算法中的基个数,提出了基于SVD的能量提取法.该方法对矩阵进行奇异值分解,从中提取90％的能量作为NMF算法中的基个数,避免了随机选取带来的盲目性和不确定性.数值实验从运行时间、目标函数值和欧式距离等方面进行对比,表明了该方法是有效且相对较优的.     

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．     

基于随机NMF理论的高光谱端元抽取

高光谱端元抽取是光谱解混的一部分。非负矩阵分解(NMF)理论由于其能够很好的保持数据的非负特性,被广泛的应用于光谱解混。随着高光谱设备的提高,摄像机的光谱频带数也从几百个频带扩展到几千个频带。从而使光谱数据也越来越大。经典NMF理论是块处理法,数据越大,计算量也大幅增加。为了加快光谱解混速度,提出了基于随机L_(1/2)NMF理论的端元抽取方法,与经典NMF相比,该方法能够快速提升算法速度,并且能够保证很好的解混精度。最后,用真实仿真数据验证了随机NMF理论的有效性。     

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。     

基于自适应FCM-NMF的人脸识别研究

非负矩阵分解(NMF)是一种有效提取特征的方法,但算法中参数的随机初始化使得迭代求解速度慢,且易陷入局部极小的问题。针对以上问题,提出了一种自适应FCM-NMF的方法,该方法利用模糊C聚类方法 (FCM)获得相似性关系矩阵,能为NMF参数的初始化提供较好的初值,从而有效解决了上述问题。通过在两个人脸库的实验结果显示,收敛速度明显高于随机赋初值的方法,识别率也有所提高。     

改进的NSCT与NMF结合的图像融合方法

基于人类视觉系统和源图像特性,对基于非下采样Contourlet变换与非负矩阵分解（NMF）图像融合算法进行了改进。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,低频部分使用非负矩阵分解的方法进行融合,高频部分使用活性测度和一致性验证的方法进行融合。实验结果表明,该算法具有较强的鲁棒性,融合图像边缘的清晰度和连续性也较理想。     

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。     

基于特征再分解的数据稀疏表示

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"局部构成整体"的认知优势,利用非负矩阵分解对特征突显的信息再次凝练,获取数据潜在本征信息,实现非负数据稀疏表示.算法在合成的Swimmer和人脸图像数据的实验结果表明,与传统非负矩阵分解方法相比,该方法的基特征稀疏性得到增强,且判别能力也获得显著提高.     

Fusion of multispectral image and panchromatic image based on NSCT and NMF

A novel fusion method of multispectral image and panchromatic image based on nonsubsampled contourlet transform(NSCT) and non-negative matrix factorization(NMF) is presented,the aim of which is to preserve both spectral and spatial information simultaneously in fused image.NMF is a matrix factorization method,which can extract the local feature by choosing suitable dimension of the feature subspace.Firstly the multispectral image was represented in intensity hue saturation(IHS) system.Then the I component and panchromatic image were decomposed by NSCT.Next we used NMF to learn the feature of both multispectral and panchromatic images’ low-frequency subbands,and the selection principle of the other coefficients was absolute maximum criterion.Finally the new coefficients were reconstructed to get the fused image.Experiments are carried out and the results are compared with some other methods,which show that the new method performs better in improving the spatial resolution and preserving the feature information than the other existing relative methods.     

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.     

基于约束非负矩阵分解的混合象元分解新方法

针对高光谱混合象元分解中顶点成分分析要求每一端元在图像中至少存在一个纯象元的不足,以及非负矩阵分解易受初值影响产生局部最小的问题,提出了一种高光谱遥感图像混合象元分解的新方法。该方法用顶点成分分析求得的端元和最小二乘法求得的丰度作为平滑约束非负矩阵分解方法迭代的初始值来实现混合象元分解。通过对模拟高光谱数据和真实遥感影像的仿真研究,结果表明新方法分解混合象元精度略优于顶点成分分析方法,但明显好于约束的非负矩阵分解方法。     

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。