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.     

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。     

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。     

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。     

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。     

矩阵的Crout递归分解算法及程序设计

将矩阵An×n的Crout分解推广到Am×n上,并在常规的迭代算法上加以创新,给出了递归的分解算法。在实现算法的过程中,对数据进行了巧妙的处理,使中间数据及最终计算结果都具有分数形式,不仅使得结果具有绝对的精确度,成功解决了数据的精度问题,而且更符合人们阅读的习惯。经过运行测试,算法设计合理,程序运行高效准确。     

非负矩阵分解在入侵检测中的应用

针对当前入侵检测系统存在的检测效果差,对训练数据集要求高的问题,提出了一种使用非负矩阵分解算法的异常入侵检测模型.在预处理阶段综合考虑系统调用数据的时序和频率特征,将进程的入侵检测问题转换为向量空间的异常点检测问题,利用非负矩阵分解在提取特征和数据降维方面的优点,将高维空间降维映射到低维空间,最终在低维向量空间实现入侵检测.实验证实本方法检测效果良好.     

二维非负稀疏偏最小二乘在人脸识别中的应用

近几年偏最小二乘算法在人脸识别中得到了广泛的应用,但是其各种改进算法都没有同时利用非负性算法和稀疏性来提高识别率和鲁棒性。为了解决这些问题,结合二维偏最小二乘与非负性思想和稀疏性约束提出二维非负稀疏偏最小二乘(Two-dimensional nonnegative sparse partial least squares,2DNSPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束和稀疏性约束,使得2DNSPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性并且具有一定的稀疏性。在Yale和PIE人脸库中的实验表明,该算法从时间上和识别率上均优于人脸识别的主流算法,并且对于遮挡有较好的鲁棒性。     

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.