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。     

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。     

基于多核非负矩阵分解的机械故障诊断

在机械设备故障诊断研究领域中,系统采集的原始监测数据经过处理得到的结果往往是数据量很大,维数很高的图像数据,因此,从高维图像中获取敏感特征是当前故障诊断领域中面临的一项关键技术。本文提出了基于多核非负矩阵分解的机械设备故障诊断方法,该方法克服了传统故障诊断需对机械设备信号进行特征提取而造成信息丢失,通过应用多核非负矩阵分解方法进行降维,然后结合多核支持向量机实现对降维后的数据直接进行识别。实验证明该方法可降低原始数据特征的维数,提高分类运算的效率以及故障诊断的识别率。     

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.     

非负矩阵分解及其应用现状分析

介绍了非负矩阵分解（non—negative matrix factorization,NMF）的基本算法思想和一些改进的NMF算法,并对其在一些重要领域内的应用成果及研究现状进行了系统的概括归纳,最后提出NMF方法存在的问题以及今后研究的趋势和展望．     

基于权重曼哈顿非负矩阵分解的图像修复和聚类方法

当数据中存在大量椒盐噪声时,传统的鲁棒非负矩阵分解方法无法获得更具有鲁棒性的低维特征.为了解决该问题,本文提出了一种更具有鲁棒性的权重曼哈顿非负矩阵分解来修复被污染的数据点以及通过曼哈顿矩阵分解获得鲁棒的特征表示.本文提出的模型可以被看作为非凸非光滑的优化问题,可以通过加速梯优化理论和最小一乘法求其局部最优解.通过对人脸图像ORL数据集加入椒盐噪声,实验结果表明本文提出的算法在图像修复和学习特征表示方面更有效、更鲁棒.     

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.     

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.     

基于KL散度的增量非负矩阵分解盲源分离算法

利用KL散度衡量增量非负矩阵分解效果,提高非负矩阵分解性能;施加行列式、稀疏性和相关性等约束条件,保证盲源信号分离的唯一性和性能;采用自然梯度下降法并选择合适的学习速率,得到源分离算法,该算法利用前一次分离结果和现在的输入信号矢量,迭代更新分离矩阵。仿真表明,KL-INMF盲源分离算法性能优于基于欧式距离INMF的盲源分离算法。     

基于粗糙集理论的入侵检测方法研究

为了克服入侵检测系统存在着在先验知识较少情况的推广能力差的问题,提出了基于粗糙集理论的入侵检测方法。利用粗糙理论,建立了系统调用短序列的检测模型并应用于sendmail调用序列检测。实验结果表明:它不需要全部的正常和异常的信息,在给出较少的正常和异常调用序列数据的情况下,能得到较为理想的检测效果。     

基于系统调用序列的入侵检测模型

提出了一种基于系统调用序列的入侵检测模型,利用绝对安全环境下的应用程序系统调用序列建立正常行为模式。当发现实际系统调用序列模式与正常的行为模式不匹配时,标记为人侵,并采取应急措施。一个例程管理一个进程,给出了模式的适应度计算方法以及两个生成下一代模式的算子。实验结果表明：入侵检测模型与现有的一些模型相比,具有更好的准确性和更高的效率。     

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。     

基于拆分、组装BP网络的入侵检测方法研究

提出了一种基于拆分、组装神经网络的入侵检测方法神经网络克服了以前在网络训练中易出现的训练时间过长、陷入局部极小的问题，使网络训练效率大大提高。该方法以网络数据源为主，同时考虑反映主机性能的数据源，并对特征数据进行了预处理，利用改进算法的学习能力和快速识别能力，实现了对用户行为的检测，尤其是在识别以前没有观察到的未知攻击方面具有较好性能．     

BP神经网络的入侵系统分析

利用改进算法的学习能力和快速识别能力,实现了对用户行为的检测,尤其是在识别以前没有观察到的未知攻击方面具有较好的性能。     

基于隐马尔可夫模型的入侵检测方法

针对当前网络安全事件频发以及异常检测方法大多集中在对系统调用数据的建模研究上等问题,提出了一种基于隐马尔可夫模型的入侵检测方法。该算法基于系统调用和函数返回地址链的联合信息来建立主机进程的隐马尔可夫模型。此外,针对常用训练方法存在的不足,设计了一种快速算法用以训练模型的各个参数。实验结果表明：基于系统调用和函数返回地址链的联合信息的引入能够有效区分进程的正常行为和异常行为、大幅度降低了训练时间、取得了良好的运算效果。。