稀疏LNMF算法在图像局部特征提取中的应用

考虑自然图像的先验稀疏结构及其特征子空间的局部性,在局部非负矩阵分解(LNMF)算法的基础上,提出一种具有稀疏约束的局部非负矩阵分解(SC-LNMF)神经网络算法。使用两类自然属性不同的图像在不同的维数下对SC-LNMF网络进行训练,该方法都能成功地提取出训练图像的局部特征。与NMF、LNMF特征提取方法相比,实验对比结果证明了SC-LNMF算法能够模拟大脑初级视觉系统V1区感受野的特性,进一步证实了该算法在图像局部特征提取中的有效性和实用性。

融合结构和聚类的对称非负矩阵分解链路预测

大部分链路预测算法仅单一考虑节点聚类或链接聚类而忽略网络结构与聚类内在关联性导致预测准确度下降.针对此问题,提出基于对称非负矩阵分解(SNMF)链路预测框架融合多类型结构和聚类信息捕获网络保持网络局部、全局以及节点和链接聚类.首先,融合节点和链接聚类系数(NEC)捕获节点邻域相关联程度,再将无向无权3个基于局部相似度方法共同邻居(CN)、资源分配(RA)和Adamic-Adar(AA)与聚类相融合同时保持结构和聚类;其次,将邻接矩阵映射到低维潜在空间,利用图正则化融合以上信息分别提出3个链路预测模型即SNMF-NEC-CN、SNMF-NEC-AA和SNMF-NEC-RA;此外,通过迭代更新规则学习所提模型参数,获得最优预测概率矩阵.在6个网络上与现有代表性方法比较,实验结果显示所提模型AUC和F1值分别提高了22%和11.4%.

基于EMD-WVD与LNMF的内燃机故障诊断

内燃机的振动信号是复杂非平稳信号,准确提取内燃机振动信号中的特征信息进行模式识别,是对振动信号进行故障诊断的关键。基于经验模态分解的维格纳时频分析方法,不但保留了维格纳分布的所有优良特,而且还避免了交叉项的干扰,能够有效地提取内燃机振动信号的特征信息;在此基础之上,针对传统非负矩阵分解非正交的基矩阵导致数据冗余性较大、影响后续故障分类准确率提高的问题,提出采用局部非负矩阵分解的方法,直接对EMD-WVD时频图像的矩阵进行分解,计算用于内燃机故障诊断的特征参数,并利用特征参数进行故障分类。对内燃机4种不同工况的振动信号进行实验,证明基于EMD-WVD与局部非负矩阵分解的方法对内燃机气门间隙的故障诊断的有效性。

基于KVMD-PWVD与LNMF的内燃机振动谱图像识别诊断方法

为了直接对内燃机振动谱图像进行诊断识别,提出一种基于改进变分模态分解(VMD)、伪魏格纳时频分析(PWVD)与局部非负矩阵分解(LNMF)的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题,提出了一种中心频率筛选的VMD分解层数改进方法(KVMD),然后将内燃机振动信号利用KVMD分解成一组单分量模态信号,并对生成的各个单分量信号进行伪魏格纳分析处理后表征成振动谱图像;在此基础上,对生成的内燃机KVMD-PWVD振动谱图像分别采用非负矩阵分解(NMF)和LNMF形成编码矩阵,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机对上述编码矩阵直接进行模式识别,以实现内燃机振动谱图像的自动诊断。最后,将该方法应用在内燃机故障诊断实例中,结果表明:该方法改进了传统图像模式识别中的特征参数方法,能有效诊断出内燃机气门间隙故障,三种分类器识别精度均大于93%,其中支持向量机的分类精度最高,达到99.8%,且采用LNMF形成的编码矩阵识别精度整体高于NMF,为内燃机振动诊断探索了一条新途径。

基于局部相似性学习的鲁棒非负矩阵分解

现有的非负矩阵分解方法往往聚焦于数据全局结构信息的学习,在很多情况下忽略了对数据局部信息的学习,而局部学习的方法也通常局限于流行学习,存在一些缺陷。为解决这一问题,提出了一种基于数据局部相似性学习的鲁棒非负矩阵分解算法(Robust nonnegative matrix factorization with local similarity learning,RLS-NMF)。采用一种新的数据局部相似性学习方法,它与流形方法存在显著区别,能够同时学习数据的全局结构信息,从而能挖掘数据类内相似和类间相离的性质。同时,考虑到现实应用中的数据存在异常值和噪声,该算法还使用l_(2,1)范数拟合特征残差,过滤冗余的噪声信息,保证了算法的鲁棒性。多个基准数据集上的实验结果显示了该算法的最优性能,进一步证明了该算法的有效性。

融合局部结构学习的大规模子空间聚类算法

常规的大规模子空间聚类算法在计算锚点亲和矩阵时忽略了数据之间普遍存在的局部结构,且在计算拉普拉斯(Laplacian)矩阵的近似特征向量时存在较大误差,不利于数据聚类。针对上述问题,提出一种融合局部结构学习的大规模子空间聚类算法(LLSC)。所提算法将局部结构学习嵌入锚点亲和矩阵的学习,从而能够综合利用全局和局部信息挖掘数据的子空间结构;此外,受非负矩阵分解(NMF)的启发,设计一种迭代优化方法以简化锚点亲和矩阵的求解过程;其次,根据Nystr?m近似方法建立锚点亲和矩阵与Laplacian矩阵的数学联系,并改进Laplacian矩阵特征向量的计算方法以提升聚类性能。相较于LMVSC(Large-scale Multi-View Subspace Clustering)、SLSR(Scalable Least Square Regression)、LSC-k(Landmark-based Spectral Clustering using k-means)和k-FSC(k-Factorization Subspace Clustering),LLSC在4个广泛使用的大规模数据集上显示出明显的提升,其中,在Pokerhand数据集上,LLSC的准确率比k-FSC高28.18个百分点,验证了LLSC的有效性。

局部敏感非负矩阵分解

非负矩阵分解是一种新的基于部分学习的矩阵分解方法,反映了人类思维中局部构成整体的概念。算法只将非负矩阵近似地分解成两个非负矩阵的积,忽略了数据几何结构和判别信息。提出了一个局部敏感非负矩阵分解降维算法来克服这一缺点。该算法既保持了数据非负性,又保持了数据的几何结构和判别信息。构造了一个有效的乘积更新算法并且在理论上证明了算法的收敛性。ORL和Yale人脸数据库实验表明该算法性能超过许多已存在的方法。

非负矩阵分解算法及其在生物信息学中的应用研究

非负矩阵分解是近年来快速发展的一类机器学习算法,能够实现对高维数据的维度规约及局部特征提取,在诸多生物信息问题的分析与处理中得到了广泛应用,并衍生出一系列实用算法。本文系统分析了非负矩阵分解的数学理论基础及其特有的局部表达属性,综述了标准非负矩阵分解与各种衍生算法的发展历程及算法初始化与参数选取方法的研究进展,并从序列特征分析、表达模式与功能模块识别、生物医学文献挖掘等几个方面总结了非负矩阵分解算法在生物信息学领域的应用成果。最后,指出了非负矩阵分解算法研究及其应用于生物信息处理所面临的问题,分析和预测了可能的发展方向。

局部保护降维与高斯混合模型的高光谱图像分类

高光谱图像具有高谱间分辨率和低空间分辨率的特点,传统的分类方法难以得到较高的分类精度。针对该问题,该文研究了两种局部保护降维法——局部保护投影(LPP)和局部保护非负矩阵分离(LPNMF)对高光谱图像降维,这两种方法能很好地保护输入空间相邻像素间的局部特征。由于高光谱图像各类间的统计分布多为复杂的多模型结构,文中采用高斯混合模型(GMM)分类器对降维后的数据进行分类。实验结果表明,将局部保护降维与高斯混合模型相结合的高光谱图像分类算法不但在小样本情况下能有效地提高分类精度,而且在背景像素混合的情况下和高斯白噪声环境中具有一定的鲁棒性。

非负矩阵分解及在地学中的应用

非负矩阵分解(NMF)是重要的矩阵分解算法与数据降维工具。介绍了NMF的背景、定义、原理及特征。在已有NMF算法分类的基础上,总结当前流行的NMF算法及研究进展,综述NMF在地学领域中的应用,主要包括高光谱图像的处理与矿产资源预测。对NMF算法的研究方向进行了预测和展望。

二维局部非负矩阵分解的路网态势算法

针对路网态势评测算法存在限于断面、依赖单一指标等的不足,在解析测量指标和测量断面的相关性及局部非负矩阵分解(LNMF)算法的基础上,提出了二维局部非负矩阵分解2DLNMF算法,通过选择合适参数对路网数据进行降维处理,提取路网特征数据,从而实现路网态势评测.仿真结果表明,使用2D-LNMF算法路网态势评测结果更加准确,而在线评测准确性达到95.69%.

邻域保持判别非负矩阵分解

非负矩阵分解(NMF)是一种新的矩阵分解技术,为了提高NMF算法的识别率,提出了一种新的方法——邻域保持判别非负矩阵分解(NPDNMF),该方法通过将邻域保持判别分析(NPDA)与NMF相结合来实现。邻域保持判别分析是一个将线性判别分析(LDA)与局部保持投影(LPP)综合考虑的判别分析方法,该算法既保持了LDA的判别能力,同时又可以保持原始数据的几何结构。通过将NPDA与NMF相结合,提取得到局部化同时又有很强判别能力的基图像。在ORL人脸数据库上进行人脸识别实验,结果表明该方法得到较好的识别效果。

局部子空间映射在人耳识别中的应用

比较了三种用于人耳识别的局部表征方法的识别准确率。通过在USTB2人耳库上的实验,对所采用的空间几何距离及选择的特征数进行了一个系统的比较分析。结果表明,方法的识别性能随所用的空间几何距离公式发生较大变化。

一种基于局部线性嵌入的非负矩阵分解

非负矩阵分解(NMF)将一个非负矩阵分类为两个低维的非负子矩阵,算法自提出后已广泛用于模式识别和数据挖掘等领域。但是NMF忽视了矩阵的几何结构,在图像分类、聚类等应用中无法取得较好的效果。在对一些算法分析的基础上,结合局部线性嵌入及正交的思想,文中提出了一种新的非负矩阵算法。实验证明该算法在分类和聚类两方面均具有较好的性能。

基于小波包时频相平面图及局部非负矩阵分解的内燃机故障诊断研究

为实现内燃机气门间隙的自动识别,提出了一种基于小波包时频相平面图及局部非负矩阵分解的内燃机故障诊断方法。该方法首先采用小波包生成内燃机振动谱时频相平面图,然后针对传统非负矩阵分解非正交的基矩阵导致数据冗余性较大、不利于后续识别率提高的问题,提出采用局部非负矩阵分解的方法对生成的图形进行局部非负矩阵分解,提取出图像的代数特征值并进行故障诊断。对内燃机4种状态下信号的小波包时频相平面图的特征提取和故障分类结果表明,基于小波包时频相平面图与局部非负矩阵分解的方法对内燃机气门间隙的故障诊断的有效性。

基于局部相似性的非平滑非负矩阵分解

由于传统的非光滑非负矩阵分解(nsNMF)算法未考虑数据之间的几何结构,当数据处于线性不可分的流形结构时,该算法无法有效挖掘高维数据中所蕴含的信息,无法高效完成聚类任务。为此,提出一种新的非光滑非负矩阵分解算法,使用平滑因子对分解得到的基底矩阵和系数矩阵同时进行稀疏性约束,在目标函数中引入核函数处理高维与低维数据之间的映射,加入局部相似性约束项挖掘数据之间的结构化信息,并设计乘性迭代更新方法对算法的目标函数进行迭代求解。研究结果表明,新算法在迭代过程中能够达到收敛,在公开数据集上有着良好的聚类效果。

基于局部学习的受限非负矩阵分解算法

为了利用样本的局部结构信息与少量标记样本的类别信息,提出了一种基于局部学习的受限非负矩阵分解算法,并应用于数据表示.为了考虑样本的局部结构信息,通过每个样本邻域构建出的分类器对样本的类别进行预测;同时,还将样本中存在的类别信息作为硬约束,使得相同类别的高维样本在低维表示空间保持一致.算法不仅利用了样本的几何流形结构信息与鉴别结构信息,还考虑了标记样本的类别信息,因此比传统的非负矩阵算法具有更强的鉴别性.在20Newsgroups文本库和ORL人脸库中的实验结果表明了算法能提高分解准确率和归一化互信息.

基于NMF和LPP的降维方法

NMF是一种近年来常用的降维方法.NMF在图像检索、人脸识别和信号处理等方面得到广泛的应用,其分解后所产生的分量的非负性要求,使数据处理得到很好的效果.NMF在分解过程中未考虑到数据的内在几何性质和局部结构,就存在着不能准确的处理数据的问题.本文提出一种把NMF与LPP相结合的降维方法.该方法应用在图像检索上,因为LPP能够保留数据的内在几何性质和局部结构,降低影响图像检索的的因素,从而提高了图像检索的效率.再从Corel数据库进行实验,来证明此方法确实能够提高了检索准确性.