基于改进对称二值非负矩阵分解的重叠社区发现方法

针对复杂网络社区结构具有重叠性的问题,目前已提出许多不同类型的解决方法,其中基于对称二值非负矩阵分解(SBNMF)的重叠社区发现方法是具有代表性的方法。然而,SBNMF在面对社区内部链接稀疏的网络时,其重叠社区发现性能低下,为此提出一种基于改进SBNMF(ISBNMF)的重叠社区发现方法。首先利用对称非负矩阵分解得到的因子矩阵构建社区内部链接稠密的新网络,然后再使用基于Frobenius范数的SBNMF模型对新网络的邻接矩阵进行分解,最后通过网格搜索法或梯度下降法得到可以显式指示节点的社区隶属关系的二值矩阵。在人工合成的和真实的网络数据集上进行大量实验,结果表明ISBNMF的社区发现性能优于SBNMF和其他代表性方法。

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.

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。

基于对称非负矩阵分解的重叠社区发现方法

针对重叠社区中的重要节点(重叠节点、中心节点、离群节点)及其固有的重叠社区结构的发现问题,提出了一种新的对称非负矩阵分解算法。首先将误差逼近项和非对称惩罚项的和作为目标函数,然后基于梯度更新的原则及非负约束条件推导出该算法。对5个实际网络进行了仿真实验,结果显示所提算法能将实际网络的重要节点及其固有的社区结构发现出来。从社区发现结果的平均导电率和算法的执行时间看,所提方法优于非负矩阵分解社区发现(CDNMF)方法;从准确率和召回率的调和平均值的加权平均值看,所提方法比较适合较大数据集的重叠社区发现。

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%.

基于对称非负矩阵分解的人脸识别算法

提出一种利用镜像偶特征改造NMF(Non-negative Matrix Factorization)基图像并进行局部特征提取的人脸识别算法。首先获取镜像偶特征并进行二次Haar小波分解,得到重构人脸样本图像。然后利用NMF分解得到一组在垂直方向对称的基图像,由它们组成基矩阵并对它们正交规范化。改造后的基图像符合人脸对称的生理特性,使得NMF基矩阵更加适用于人脸特征提取。在含有姿态变化和不均匀光照样本的Yale人脸数据库上取得了较好的识别效果。

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.

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.

约束传播自适应半监督非负矩阵分解聚类算法

对称非负矩阵分解(SNMF)能够自然地捕获图表示中嵌入的聚类结构,是线性和非线性数据聚类应用的重要方法。但其对变量的初始化较敏感,初始化矩阵的质量好坏会较大地影响聚类性能,且在半监督聚类中面临着从有限的标记数据中学习更具辨别力表示的挑战。针对以上问题,提出了一种约束传播自适应半监督非负矩阵分解聚类算法(constrained propagation self-adaptived semi-supervised non-negative matrix factorization clustering algorithm,CPS3NMF)。该算法将有限约束传播到无约束数据点,构建出带有约束信息的相似矩阵,所获得的相似矩阵充当SNMF中分解的非负对称矩阵,还用于对分配矩阵进行图正则化,充分利用约束信息来保存数据空间的几何结构。同时结合SNMF对初始化特征的敏感性,使用自适应学习的权重对多个初始化矩阵的质量进行排序,集成多次聚类结果来逐步提高半监督聚类性能。在6个公开数据集上进行实验表明所提出的CPS3NMF算法优于其他先进算法,证明了其在半监督聚类中的有效性。

基于对称非负矩阵分解的终端区扇区划分方法

为了合理利用终端区空域有限资源,满足各扇区间管制员负荷均衡为目标,提出了基于对称非负矩阵分解的终端区扇区划分。首先,通过建立终端区网络加权图和量化管制负荷,构建终端区扇区划分模型。其次,为保证相邻性和低方差,对扇区单元层次聚类形成“snake”扇区序列,计算扇区单元之间的相似度值,生成相似度矩阵并进行归一化处理,利用对称非负矩阵正交分解对相似度矩阵进行求解,根据求解出的矩阵判断扇区单元所属区域,实现聚类划分。最后,选取现实终端区空域进行仿真验证,证明了对称非负矩阵分解划分方法的有效性。

基于Lanczos算法的对称非负矩阵分解初始化方法

为提高对称非负矩阵分解算法的效率,提出了一种基于Lanczos三角化的对称非负矩阵分解初始化方法。该方法可与现有的对称非负矩阵分解算法相结合取得更高的效率.实验表明,现有的对称非负矩阵分解算法与文中提出的初始化方法相结合可以收敛到一个较优解.

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.

基于对称非负矩阵分解的复杂网络模糊聚类

用最优化算法逼近网络特征矩阵以获取网络的降维描述是网络团模糊聚类的一个重要途径;在最优化算法设计上,多余约束会过滤掉有意义的拓扑信息;以提高模糊聚类精度为目的,以引入新的点团关系度量为基础,建立了一个约束更少的最优目标函数,并用一种对称式矩阵分解算法实施逼近;新度量中保留了更多网络拓扑信息,所得聚类结果较传统的模糊隶属度更为精确,在两种计算机模拟网络上的实验证明了该方法能提高网络聚类精度,在两个真实网络上的实验也获得了很好的效果。

基于约束图正则的块稀疏对称非负矩阵分解

现有的基于对称非负矩阵因式分解(Symmetric Nonnegative matrix Factorization, SymNMF)算法大都仅依赖初始数据构造亲和矩阵,并且一定程度上忽视了样本有限的成对约束信息,无法有效区分不同类别的相似样本以及学习样本的几何特征。针对以上问题,提出了基于约束图正则的块稀疏对称非负矩阵分解(Block Sparse Symmetric Nonnegative Matrix Factorization Based on Constrained Graph Regularization, CGBS-SymNMF)。首先,通过先验信息构造约束图矩阵,用于指导类别指示矩阵区分高相似度的不同类别样本;然后,引入PCP-SDP(Pairwise Constraint Propagation by Semi-definite Programming)方法,利用成对约束学习一个新的样本图映射矩阵;最后,利用“勿连”约束构造不相似矩阵,用于引导一个块稀疏正则项,以增强模型抗噪能力。实验结果表明,所提算法具有更高的聚类精确度和稳定性。

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.

非负矩阵分解的分层最小二乘快速算法研究

非负矩阵分解是对于代价函数近似非线性优化问题,考虑均方误差值作为代价函数,通过对分层交替非负最小二乘算法的迭代运算量进行分析,对运算耗费大的矩阵运算提出利用限制更新的方法对分层交替非负最小二乘算法进行修改,达到加速收敛的目的。通过仿真,与原倍乘更新算法、投射梯度算法比较,验证算法的有效性和稳定性和高效性。

非对称代价函数的稀疏卷积非负矩阵分解方法

提出一种基于非对称代价函数的稀疏卷积非负矩阵分解方法。该方法利用板仓-斋藤距离作为目标代价函数来衡量目标矩阵与重建矩阵的差异,使得较小的矩阵元素具有较小的重建误差,并且该代价函数具有尺度不变性的特点。为了考察其在弱语音成分重建方面的优势,将本文提出的算法应用于耳语音谱分解及重建实验。实验结果表明,与基于欧氏距离和基于Kullback-Leibler(K-L)散度的卷积非负矩阵分解算法相比,本文算法对于弱语音成分具有更好的重构效果,重建后的语音信号具有较大的可懂度。

鲁棒自适应对称非负矩阵分解聚类算法

对称非负矩阵分解SNMF作为一种基于图的聚类算法,能够更自然地捕获图表示中嵌入的聚类结构,并且在线性和非线性流形上获得更好的聚类结果,但对变量的初始化比较敏感。另外,标准的SNMF算法利用误差平方和来衡量分解的质量,对噪声和异常值敏感。为了解决这些问题,在集成学习视角下,提出一种鲁棒自适应对称非负矩阵分解聚类算法RS3NMF(robust self-adaptived symmetric nonnegative matrix factorization)。基于L2,1范数的RS3NMF模型缓解了噪声和异常值的影响,保持了特征旋转不变性,提高了模型的鲁棒性。同时,在不借助任何附加信息的前提下,利用SNMF对初始化特征的敏感性来逐步增强聚类性能。采用交替迭代方法优化,并保证目标函数值的收敛性。大量实验结果表明,所提RS3NMF算法优于其他先进的算法,具有较强的鲁棒性。