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。     

二维卷积非负矩阵分解的初值确定混合算法

为解决二维卷积非负矩阵分解算法存在初值敏感,且传统随机初始化确定的初始值容易使算法收敛到结果相对不好的局部最优值的问题,通过结合K均值聚类、奇异值分解和主成分分析方法,提出了一种适用于二维卷积非负矩阵分解初始值确定的混合算法.首先,利用K均值聚类方法得到聚类中心作为系数矩阵(H矩阵)的初始值,避开了传统初始化不确定系数矩阵带来的分解结果不唯一问题;其次,考虑到相比一维卷积非负矩阵分解算法,二维卷积非负矩阵分解算法的基矩阵(W矩阵)个数更多,利用奇异值分解和主成分分析方法交替产生基矩阵的初始值,克服了单个算法产生的初始化误差问题.在相同参数环境下将本文算法和现有初始化算法的分解收敛性能进行对比实验,结果表明本文算法相比其他同类算法具有更好的分解性能并具有更好的收敛性.进一步加入噪声进行实验,在白噪声为-1 dB～10 dB的不同信噪比环境下,本文算法均能快速实现信号的分离,对于噪声数据具有很强的鲁棒性.采用混合算法确定初值,更有利于实现二维卷积非负矩阵分解的实时性和高性能.     

基于L_0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。     

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ATSUKF的飞行器惯性测量单元的故障诊断

非线性系统存在随机偏差情况下,最优二步无迹卡尔曼滤波(OTSUKF)可以获得系统状态及偏差的最优估计,但是它要求随机偏差被准确地建模,而这在实际情况下很难做到。飞行器是一种典型的非线性系统,将惯性测量单元(IMU)的故障作为一种随机偏差处理,并且采用随机游走模型去描述故障。随机游走模型对故障进行建模的准确程度取决于随机游走模型的协方差与实际情况的匹配程度。基于OTSUKF的IMU故障诊断方法中,随机游走模型的协方差取的是一个常值矩阵,该矩阵的值是根据经验初始化的,但是在实际应用中较难初始化为一个与真实故障相匹配的矩阵。根据新息协方差匹配技术,在线自适应调整随机游走模型的协方差矩阵,提出了自适应二步无迹卡尔曼滤波(ATSUKF),并将该方法应用于飞行器IMU的故障诊断。仿真实验对比了OTSUKF和ATSUKF方法对飞行器IMU的故障诊断的效果,验证了所提出的自适应方法的有效性。     

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.     

光谱加权稀疏非负矩阵分解高光谱图像解混

非负矩阵分解(NMF)作为一种盲源分离的方法,在高光谱图像解混方面已得到广泛应用。然而由于NMF的目标函数具有非凸性,使得其极易陷入局部最小值,为了提高解混精度,通常会根据具体的问题加入一定的约束条件。受丰度矩阵体现出的稀疏性启发,基于稀疏约束的非负矩阵分解高光谱解混算法得到迅猛发展。然而目前该类方法存在对丰度系数稀疏性先验表征不充分导致算法稳定性差的问题。针对该问题,提出了一种基于光谱加权稀疏非负矩阵分解高光谱解混方法,该方法在非负矩阵分解解混模型中引入光谱加权因子刻画丰度系数的稀疏性,以促进所有像元之间的联合稀疏性。通过采用乘性迭代规则法求解该模型。模拟和真实的高光谱数据实验结果均表明本文提出的方法与现有同类算法相比在端元提取精度和丰度估计精度上都更为准确。     

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。     

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．     

核心集径向基函数极限学习机

径向基函数极限学习机(radial basis function-extreme learning machine, RBF-ELM)中的两个参数都随机地生成,这导致RBF-ELM算法的不稳定性问题。另外,对于不同的数据集,难于确定隐含层结点的个数。针对RBF-ELM的这两个问题,提出了一种改进算法。首先用核心集方法选择重要的样例,然后用选择的样例初始化中心参数,宽度参数采用随机化方法初始化。该算法不仅可以在一定程度上解决RBF-ELM的不稳定性问题,而且可以确定隐含层结点的个数。试验结果表明:该算法优于RBF-ELM。     

一种求解静态输出反馈镇定控制器的直接算法

主要研究线性时不变系统的静态输出反馈镇定问题。求解静态输出反馈增益等价于求解两个耦合的线性矩阵不等式(LMI),这导致了需要求解一个非线性最优化问题。通过构造具有对角结构的Lyapunov矩阵,提出了一种基于LMI的静态输出反馈镇定的直接算法。该算法简洁明了,并克服了以往算法需要设定参数初值的缺点。数值实例证明了该方法的有效性和优越性。     

基于图像可视属性的检索系统的设计与研究

给出了一种基于图像可视属性的检索系统的模型,并利用非负矩阵分解(NMF)的新的相关反馈方法完成系统的逐步检索达到定位到目标的任务,实验结果表明该系统性能较好,可以用于通用图像的检索中.     

利用非线性方程组求解矩阵特征值特征向量

矩阵特征值问题已成为数值计算中的一个重要组成部分 ,为有效求解此类问题 ,提出了一种求解特征值的新方法 :利用非线性方程组的Newton迭代法求解特征向量 ,为提高迭代的收敛速度 ,引入同伦思想 ,利用插值方法 ,得到近似特征向量Y(N) ,以Y(N) 作为迭代初值 ,从而快速求出问题的具有较高精度的解 .该算法稳定性好 ,可并行运算     

初始化卷积神经网络的主成分洗牌方法

为了更好地初始化卷积神经网络,提出了一种初始化卷积核的有效方法,称为主成分洗牌方法.该方法首先对第1个卷积层的每个输入特征图的所有感受野进行采样,再对采样得到的图像块按输入特征图分别进行主成分分析,利用主成分分析得到的投影矩阵初始化该层卷积核,最后按上述过程依次对各层卷积核进行初始化.使用该方法在MNIST与CIFAR-10数据集上进行卷积层初始化实验.实验结果表明:与目前常用的随机初始化算法、Xavier初始化算法相比,该方法在提高网络的训练速度和测试集正确率方面均具有优越性.     

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.     

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。     

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WNMF和聚焦点定位分析的多聚焦图像融合方法

在非负矩阵分解(NMF)图像融合方法的基础上,提出一种基于加权非负矩阵分解(WNMF)和聚焦点定位分析的多聚焦图像融合方法。该方法利用光学系统成像原理及点扩散函数在光学成像过程中的作用,判定多聚焦图像中的聚焦点的近似位置,并以此为基础构建一个权值矩阵,然后将加权非负矩阵算法应用于图像融合中,最后得到一幅各部分都聚焦清晰的图像。实验结果表明,通过本文提出的方法得到的融合图像效果优于普通的非负矩阵分解方法、小波变换法方法及拉普拉斯塔式方法。     

融合多数据源的蛋白质功能模块的挖掘算法

针对蛋白质相互作用(protein-protein interaction,PPI)网络的信息不完善和高噪声问题,提出一种融合多生物数据的二分图聚类集成方法以检测网络中的功能模块.该方法结合了基因本体论(gene ontology,GO)、基因表达谱数据以及多种基础聚类算法,用一种新的二分图来组织多种基础聚类算法的中间结果,并结合对称非负矩阵分解(non-negative matrix factorization,NMF)算法挖掘其中功能意义上最一致蛋白质功能模块,同时,该算法能处理蛋白质功能重叠问题.实验结果表明:所提算法整体优于基准比较方法,是一种融合多种生物信息源和不同的聚类方法的有效途径.