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%.

二维变分模态分解联合快速非局部均值的医学超声图像去噪方法

针对医学超声图像成像过程中出现的斑点噪声,提出一种基于二维变分模态分解(2D-VMD)联合快速非局部均值(FNLM)的去噪算法。该算法利用2D-VMD获得一系列高频至低频的本征模态分量;对保留绝大部分信息的低频模态进FNLM滤波,从而实现对超声图像的去噪。实验结果与传统滤波方法进行对比,提出算法在去噪的同时较好地保留边缘信息,有更好的客观评价参数,尤其是在高噪声方差中去噪效果明显优于其他算法。

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%.

二维投影非负矩阵分解算法及其在人脸识别中的应用

建立在最小化非负矩阵分解损失函数上的人脸识别算法需同时计算基矩阵和系数矩阵,导致求解这类问题十分耗时.本文把非负属性引入二维主成分分析(2-dimensional principal component analysis,2DPCA)中,提出了一种新的二维投影非负矩阵分解(2-dimensional projective non-negative matrix factorization,2DPNMF)人脸识别算法.该算法在保持人脸图像的局部结构情况下,突破了最小化非负矩阵分解损失函数的约束,仅需计算投影矩阵(基矩阵),从而降低了计算复杂度.本文从理论上证明了所提出算法的收敛性,同时,使用了YALE、FERET和AR三个人脸库进行实验,结果表明2DPNMF不仅识别率高,而且速度优于非负矩阵分解和二维主成分分析.

二维非负矩阵分解在齿轮故障诊断中的应用

针对齿轮故障信号时频分布识别问题,提出采用二维非负矩阵分解技术提取时频分布矩阵特征参数的方法。采用S变换技术将齿轮故障信号变换至时频域,为克服传统的一维非负矩阵分解对矩阵向量化带来的维数过高和结构信息损失问题,提出采用二维非负矩阵分解技术直接对信号时频分布矩阵提取特征参数。对齿轮5种状态下信号时频分布矩阵的特征提取和分类结果表明,二维非负矩阵分解技术无论在计算效率还是分类精度上都明显优于一维非负矩阵分解技术。

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。

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.

基于二维非负矩阵分解的1kb/s WI语音编码算法

本文针对波形内插(WI)语音编码模型和参数量化等技术进行了研究,并最终提出了一种基于二维非负矩阵分解的1kb/s波形内插(2DNMF-WI)语音编码算法.文中采用二维非负矩阵分解(2D-NMF)方法来分解语音特征波形(CW),该分解方法在行和列两个方向上同时压缩CW幅度谱矩阵的维数,使得CW幅度谱矩阵降维后得到的编码矩阵维数较小,易于量化.此外,在甚低速率语音编码中,由于没有足够的比特数来描述编码参数,往往很难得到高质量的合成语音.本算法采用两帧联合编码、帧间后向预测三级矢量量化、离散余弦变换(DCT)和分裂式矩阵量化等技术来降低编码速率和改善音质.非正式主观听觉测试显示,1kb/s 2DNMF-WI编码器合成语音的质量稍差于2kb/s的NMF-WI语音编码算法.

基于非局部低秩稀疏矩阵分解的低剂量脑灌注CT统计迭代重建

脑灌注CT成像需要对患者头部进行连续反复扫描,相应的X射线辐射剂量较常规CT显著增加。为减少X射线辐射剂量,提出一种基于非局部低秩稀疏矩阵分解的低剂量脑灌注CT统计迭代重建方法。首先对脑灌注CT序列图像进行分块,然后构建非局部低秩稀疏矩阵分解模型,最后求解相应的目标函数重建出脑灌注CT序列图像。与滤波反投影算法和基于低秩稀疏矩阵分解的惩罚加权最小二乘方法相比,本文方法得到的脑血容参数图像的结构相似性指标分别提高38.07%和5.61%、特征相似性指标分别提高13.17%和2.47%;平均通过时间参数图像的结构相似性指标分别提高59.73%和0.28%、特征相似性指标分别提高20.26%和0.70%。本文方法能在去除低剂量脑灌注CT图像噪声和伪影的同时保持图像的边缘结构信息,并且获得更准确的脑血流动力学参数图像。

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。

基于非负矩阵分解更新规则的部分可观察马尔可夫决策过程信念状态空间降维算法

针对求解部分可观察马尔可夫决策过程(POMDP)规划问题时遭遇的"维数诅咒",该文提出了一种基于非负矩阵分解(NMF)更新规则的POMDP信念状态空间降维算法,分两步实现低误差高维降维。第1步,利用POMDP的结构特性,将状态、观察和动作进行可分解表示,然后利用动态贝叶斯网络的条件独立对其转移函数进行分解压缩,并去除概率为零的取值,降低信念状态空间的稀疏性。第2步,采用信念状态空间值直接降维方法,使降维后求出的近似最优策略与原最优策略保持一致,使用NMF更新规则来更新信念状态空间,避免Krylov迭代,加快降维速度。该算法不仅保证降维前后值函数不发生改变,又保留了其分段线性凸特性。实验结果表明,该算法具有较低误差率和较高收敛性。

以非负矩阵分解提取局部特征的SAR目标稀疏表示分类

合成孔径雷达(SAR)目标分类是自动目标识别系统的核心功能之一,对于战场监视等应用具有重要意义。利用SAR图像局部散射明显的特点,提出了通过训练样本的非负矩阵分解获得低维数局部特征编码,并以该编码作为字典进行稀疏表示分类的方法。采用Gotcha项目民用车辆目标的实测数据进行了验证,结果显示在不同信噪比条件下该方法的分类正确率均优于广泛采用的由降采样、随机投影、主成分分析提取低维数特征的稀疏表示分类方法,表明了该方法的性能优势。另外,还通过实验对比分析了非负约束的稀疏表示与标准稀疏表示在分类性能上的差别,结果显示非负约束的稀疏表示导致分类正确率下降,故针对分类问题不宜在稀疏表示时进行非负约束。

多图融合约束半非负矩阵分解的动作分割方法

基于聚类的无监督动作分割方法主要利用序列中相邻帧之间的结构相似性来提高动作分割的准确性。这在实现动作片段内部一致划分的同时给不同动作边界的准确分割带来隐患。为此提出了一种基于多图融合约束矩阵分解的动作分割方法。通过融合序列中的结构相似性和度量相似性信息构造多图融合约束项,融入到半非负矩阵分解中获得序列的低维表示,进而获得序列的k近邻图并利用图割的方法实现准确分割。在两类动作序列上的实验表明,所提方法在保持动作内部一致划分的同时能够准确划分动作边界,明显提升了分割准确性,时间效率也明显提升。

基于递归图和局部非负矩阵分解的轴承故障诊断

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于递归图和局部非负矩阵分解的轴承故障诊断方法。该方法首先对采集到的轴承振动信号进行递归图分析,生成灰度图;然后用局部非负矩阵分解对生成的递归图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,从而实现轴承故障的自动化诊断。将该方法应用在4种典型工况的轴承故障诊断实例中,应用结果表明,该方法可对不同工况的递归图自适应地计算特征参数,避免了人为因素对诊断准确率的影响,具有较好的自适应性和鲁棒性。

求解非负矩阵分解的交替非负最小二乘法的一种修正策略（英文）

本文研究了关于求解非负矩阵分解的交替非负最小二乘法的全局收敛性.利用一种修正策略保证了极限点的存在性,得到了极限点为非负矩阵分解问题的稳定点.此外,给出了推广的修正策略.数值实验结果表明上述修正策略是有效的.

基于自适应局部邻域加权约束的非负矩阵分解方法及其在高光谱解混中的应用

非负矩阵分解(Nonnegative Matrix Factorization,NMF)技术已经成为了高光谱解混领域研究的热点。但是如何有效地利用高光谱的空间和光谱信息仍然是一个难点,尤其在确定局部邻域时,往往会遇到结构固定等问题。针对以上问题,提出了一种基于自适应局部邻域加权约束的非负矩阵分解算法。算法根据丰度的数据特点可以自适应确定给定像元的局部邻域,算法中的权重充分地利用了给定像元和邻域内像元的空间和光谱信息,改善了高光谱解混的性能。论文采用梯度下降法推导出乘法迭代规则,为验证所提出的算法的有效性,利用Japser Ridge数据集和Urban数据集进行实验,并与其他经典方法进行对比,结果显示该方法具有更好的解混效果。

基于正交约束的广义可分离非负矩阵分解算法

可分离非负矩阵分解(NMF)是通过抽取数据集中的部分样本或关键主题来表示整个数据集的一种特殊NMF方法。广义可分离非负矩阵分解(GSNMF)算法是由可分离NMF扩展的算法,可以同时得到数据集中的关键样本和关键主题两类特征,使分解结果更具有可解释性,但在处理某些数据集时由于选择方法存在的缺陷,GSNMF算法只能单独选择行或列的特征,从而失去可解释性的优点。为此,引入正交约束来修正GSNMF算法的选取结果,提出一种基于正交约束的广义可分离非负矩阵分解(OGSNMF)算法,利用非负特性及正交约束的特点,限制迭代过程中关于行和列的迭代矩阵,确保得到行和列的特征,并获取更加精确的分解结果。在此基础上,引入相对近似误差作为实验指标,结合分解结果的秩在行与列上的分配作为实验评判标准。实验结果表明,与原有算法相比,OGSNMF算法在处理数据集时,相对近似误差提高了1~3个百分点,说明在分解过程中损失的信息更少,确保能够获取到行和列的特征,得到更具有可解释性的分解结果。

非负矩阵低秩分解的交替二次规划算法

非负矩阵分解算法有多种,但都存在着各自的缺陷.在现有工作的基础上,将非负矩阵分解(NMF)模型转化为一组(两个)二次凸规划模型,利用二次凸规划有解的充分必要条件推导出迭代公式,进行交替迭代,可求出问题的解.得到的解不仅具有某种最优性、稀疏性,还避免了约束非线性规划求解的复杂过程和大量的计算.证明了迭代的收敛性,且收敛速度快于已知的方法,对于大规模数据模型尤能显示出其优越性.

一种基于加权非负矩阵分解的多维用户人格特质识别算法

随着社会媒体的普及,用户信息的爆炸式增长为深入理解在线用户行为提供了非常丰富的信息源.由于用户人格特质是用户行为的主要驱动力,人格特质的差异可能会对用户的在线行为产生一定的影响,因此,用户人格特质识别问题近年来受到了众多学者的关注.首先,基于用户网络结构信息和用户发布内容信息序列构建用户人格特质识别特征,并根据特征重要性为其分配权重.然后,以用户人格特质相关因子约束目标函数,从用户社会网络结构特征、语言学特征和情感特征三个维度利用非负矩阵分解方法识别社会网络中用户的五大人格特质.最后,在真实的数据集上验证了提出框架的有效性,并通过实验以更细的粒度进一步验证了用户人格特质之间相关性的存在,同时证明了特征权重和用户人格特质间的相关性在用户人格特质识别问题中的重要性.文中为社会网络中的多维用户人格特质识别问题提供了一种新思路.

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.