基于稀疏约束非负矩阵分解的水下线谱增强方法

水下目标线谱增强是被动声纳目标探测的关键问题之一。传统的线谱信号处理方法集中于时域和频域处理,本文提出了利用非负矩阵分解,在时频联合域内进行线谱信号增强的处理方法,以目标线谱信号的时频矩阵作为非负矩阵分解的输入,通过基矩阵提取线谱信号的频谱模式。根据线谱信号在频域的稀疏性质,对基矩阵进行稀疏性约束,利用权重稀疏扫描的方式讨论基矩阵的稀疏度和频率估计精度随权重系数的变化关系,确定稀疏约束项的有效权重系数区间。仿真结果显示,稀疏约束项在低信噪比条件下表现出优越的线谱增强能力,最低信噪比可达-30 dB。海试数据结果表明,此方法可以有效地提高对线谱信号的提取能力。

一种基于部分基矩阵稀疏约束非负矩阵分解的抵抗大强度剪切攻击视频水印构架

该文提出一种部分基矩阵稀疏约束的非负矩阵分解(Non-negative Matrix Factorization with Sparseness Constraints on Parts of the Basis Matrix,NMFSCPBM)方法,其次将水印嵌入在NMFSCPBM分解后的基矩阵大系数中,利用NMFSCPBM提取视频运动特征自适应控制水印嵌入强度。最后,在水印检测时,只要残余视频中包含有视频最小剩余子块数,就可以恢复出完整基矩阵,进而提取出完整水印。实验表明,与同类方法相比,该方法抵抗强剪切攻击的能力获得了较大程度提升。

使用稀疏约束非负矩阵分解算法的跨年龄人脸识别

人脸识别技术中除光线、姿态、表情因素外,由于年龄变化而导致的人脸形状和纹理上的变化会极大程度地影响人脸识别系统性能.对此,提出了一种使用稀疏非负矩阵分解算法来实现人脸老化模拟,然后将此方法应用于具有年龄跨度的人脸识别上,通过模拟虚拟样本来增强识别效果.实验结果表明,年龄跨度对人脸识别的确有较大的影响;当系数矩阵保持稀疏时,非负矩阵分解算法具有更强的特征提取能力;经过老化模拟增加虚拟样本后,其纹理老化效果明显地提高了跨年龄段的人脸识别的性能.

基于稀疏约束非负矩阵分解的K-Means聚类算法

为了提高K-Means聚类算法在高维数据下的聚类效果,提出一种基于稀疏约束非负矩阵分解的K-Means聚类算法。该算法在最优保持原始数据本质的前提下,通过在非负矩阵分解过程中对基矩阵列向量施加l1与l2范数稀疏约束,首先挖掘嵌入在高维数据中的低维数据结构,实现高维数据的低维表示,然后利用在低维数据聚类中性能良好的K-Means算法对稀疏降维后的数据进行聚类。实验结果表明提出的算法可行,并且在处理高维数据上有效。

基于稀疏约束非负矩阵分解的人脸特征提取算法

非负矩阵分解(NMF)是最近流行的一种提取数据局部特征的算法,虽该算法已成功用于多种领域,但其并不能总是最好地表示局部特征。针对上述问题,文中在非负矩阵分解的同时加入稀疏的限制,并通过限制稀疏度从而提高局部特征的提取效果。通过在人脸图片上的实验可明显看出,加入稀疏限制的非负矩阵分解能更清楚地提取出所需的局部特征,以便于后续针对特征进行的各种工作。

基于稀疏约束非负矩阵分解的推荐算法

个性化推荐可根据用户的需求,提供全方位的数据分析,为用户提供个性化定制,让用户更简单、更快捷的找到自己心仪的产品。协同过滤算法作为一类经典的推荐算法常用于个性化推荐,但它并没有考虑数据的稀疏性和分散性。为克服这一不足,将稀疏非负矩阵分解(SNMF)与K-means算法相结合,提出SNMF-K模型。该模型在低维子空间中对用户评分进行聚类,接着在用户所属的类中利用偏好相似度进行个性化推荐。数值实验表明,SNMF-K算法在均方根误差(RMSE)评价指标上优于传统的稀疏非负矩阵分解,并且误差至少减少了3.2%,提高了推荐性能。

稀疏约束的L21增量式非负矩阵分解研究

针对新增数据增大而引起的运算效率增大的现象,提出了一种稀疏约束的增量式非负矩阵分解改进算法。该算法是在加入稀疏条件的情况下对增量数据使用L21范数。首先对初始数据进行经典非负矩阵分解,其次再利用其分解结果参与增量数据的运算,使目标函数在分解计算中具有较好的收敛效果和分解后数据有较好的稀疏度。实验部分主要是将该算法与增量式非负矩阵分解、稀疏约束的增量式非负矩阵分解、经典非负矩阵分解算法进行对比,得出在分解后数据的稀疏度和收敛快慢方面该算法均优于其他3个算法。

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。

基于非负矩阵分解的函数型聚类算法改进与比较

非负函数型数据可以不等间隔观测,在理论和实践中应用广泛,对其进行聚类可以更好地探索客观规律。文章利用位置积分变换将函数型数据转化为高维向量,再通过非负矩阵分解(NMF)将其转化为低维向量,以此构建函数型聚类算法。针对基于NMF的函数型谱聚类算法,给出了确定聚类个数K的两种方法:一种是根据Laplacian矩阵的特征值确定K;另一种是构建新评价指标,通过搜索确定K。数值实验结果显示:基于位置积分变换和NMF的函数型聚类算法有效,对函数结构要求宽松,但需限制函数取值为正;NMF的秩可通过cophenetic相关系数确定,建议取较小的值,以剔除类的冗余特征。在确定谱聚类的聚类个数K时,建议对降维后的数据进行标准化处理,以缩小样本间的距离变化范围;聚类个数变点图直观有效,再结合特征值差分法确定K很有参考价值,建议阈值取[0.05,0.08];根据吻合度与相似比确定K的方法有效且简单易懂。

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。

稀疏正交联合约束多通道非负矩阵分解声信号分离算法

针对复杂环境下多通道声信号分离问题,提出稀疏正交联合约束多通道非负矩阵分解声信号分离方法。首先设计基于多通道扩展坂仓斋藤(Itakura-Saito,IS)散度的稀疏正交联合约束项构造代价函数,给出信号稀疏和信号正交约束辅助函数,实现代价函数最小化求解。然后通过迭代更新规则设计,得到稀疏正交优化的多通道非负矩阵分解基矩阵和系数矩阵,讨论了稀疏正交约束对基矩阵和系数矩阵稀疏性与连续性影响。最后基于多通道信号空间特性,进行了非负矩阵分解基聚类以获得多通道非负矩阵分解声信号的分离结果。双通道音频数据与四通道声学目标分离实验数据测试表明,对音频数据,所提算法在性能指标信号失真比(SDR)上提高了0.84 dB,对于直升机声源数据,所提算法在SDR上提高了4.53 dB。

全变差稀疏约束深度非负矩阵分解高光谱遥感影像解混方法

传统非负矩阵分解方法仅基于单层线性模型,现有的深度非负矩阵分解模型忽略了地物光谱的实际混合物理过程,仅从数学理论考虑深度分解。对此,文中从光谱混合的物理过程出发,综合非负矩阵分解和深度学习,将光谱混合过程进行反向建模,并充分考虑丰度的稀疏性和空间平滑性,构建了用于高光谱遥感影像解混的面向端元矩阵的全变差稀疏约束深度非负矩阵分解模型。通过模拟实验和真实实验,将文中所提方法与5种解混方法进行对比。结果表明,相较于面向丰度的深度非负矩阵分解算法,文中所提方法的平均光谱角距离和均方根误差均有所降低,取得了最佳解混结果。

基于非负矩阵分解的双曲调频信号目标回波增强

双曲调频信号是主动声呐中常用的多普勒不敏感信号。在实际使用中,由于信道变化和混响影响,目标回波较弱。针对水下航行器主动声呐探测性能下降问题,本文提出基于非负矩阵分解的双曲调频信号目标回波增强方法。该方法对目标回波和干扰信号的基矩阵分别定义,将发射信号的时频图作为目标回波的频率信息矩阵,对目标回波的时间信息矩阵做出约束,迭代处理完成目标回波的增强,获得较高增益的匹配回波检测结果。数值仿真和海上试验结果表明:本文方法与传统匹配滤波方法相比,其峰均比值提高了2 dB以上,提高了回波检测结果。

广义高斯分布的卷积传递函数多通道非负矩阵分解

基于卷积传递函数的多通道非负矩阵分解(CTF-MNMF)在长混响环境的盲源分离中取得了较好的性能,但该算法的分离性能依然受到声源模型的限制。因此提出了基于广义高斯分布(GGD)的CTF-MNMF算法,通过将域参数引入NMF中并利用广义非负矩阵分解(GNMF)建模GGD的非负尺度因子,提高了声源模型捕捉信号离群值的鲁棒性,进而提高了声源估计的准确性。采用基于辅助函数的优化策略给出分离矩阵和非负矩阵参数的更新公式。仿真结果表明所提算法在语音和音乐两种信号的分离实验中均取得了比GGD-ILRMA、WPE-ILRMA和CTF-MNMF更好的分离性能。

基于稳健非负矩阵分解的用电数据清洗和插补

针对运行工况下用电数据在采集和传输过程中通常存在噪声、异常值和丢失的数据质量问题,利用单一用户用电数据时空分布的低本征维和异常值的稀疏特性,提出一种基于低秩矩阵完备的数据缺失填补、降噪和异常值剔除统一处理方法框架。首先,鉴于实际中多用户用电场景和用电特征差异巨大,仅根据单一用户用电行为的内在相似性构建具有低秩特征的数据矩阵;进而,考虑列异常和稀疏异常等加性背景噪声影响,构建低秩提升正则约束的非负矩阵完备最优化模型;最后,采用交替迭代最小二乘法方式进行最优化问题求解,实现缺失数据填补和多重背景噪声消除。通过仿真分析和实验结果验证了算法的有效性和准确性。

基于非负矩阵分解的中红外地表特性光谱重建方法

在中红外遥感领域,高光谱地表反射率/发射率等地表特性具有极高的应用价值和应用需求,但利用卫星遥感手段难以获取吸收波段的高光谱地表反射/发射特性,且通过光谱重建获取全波段的地表特性方法仍存在很多问题。为解决中红外全波段地表特性光谱重建所面临的难题,基于约翰霍普金斯大学(Johns Hopkins University,JHU)地物波谱库和中分辨率成像光谱仪(MODIS)短波红外和中红外地表多光谱卫星产品,提出了一种利用非负矩阵分解(NMF)重建高光谱地表反射率的方法,对2.5~5.0μm中红外光谱范围内的地表反射/发射率进行光谱重建,重建后的光谱分辨率可达10 nm。首先基于JHU地物波谱库选取4种典型地物类型(土壤、植被、人造材料和岩石),建立地物光谱库样本信息,再利用MODIS传感器光谱响应函数,根据等效计算公式将2.0~5.0μm波段范围反射率结果重采样到10 nm光谱间隔、共301个波段,得到JHU地表反射率光谱数据集。对光谱数据集进行非负矩阵分解处理,提取4条端元向量光谱曲线,结合MODIS短波红外和中红外4个波段(2.13、3.75、3.96和4.05μm)的全球月均地表反射率/发射率产品,可计算每个像元对应的权重系数向量,从而进行任意波段的光谱重建,得到全球范围内陆地5 km×5 km分辨率的月均地表反射率重建结果。同时为综合评价该光谱重建方法,从光谱数据集中提取MODIS短波红外和中红外4个波段(2.13、3.75、3.96和4.05μm)的子数据集,计算对应的权重系数向量,进行2.0~5.0μm光谱范围内的全波段的反射率光谱重建。重建结果对应的平均绝对误差优于0.01,平均相对误差优于10%,在只有MODIS卫星4个波段数据可用的低秩病态的情况下,可较好地满足光谱重建的精度要求。并且为满足重建结果可视化需求,基于网络地理信息系统(WebGIS)技术,利用Cesium框架,采用浏览器/服务器架构,搭建了二三维一体化可视化系统,将卫星底图、地形数据与光谱重建结果等集成展示,从而进行直观的多因素分析,为卫星产品的展示与验证提供支撑。

基于Lp范数的非负矩阵分解并行优化算法

非负矩阵分解算法可以从高维数据中提取出低维和稀疏的有用信息,是处理图像聚类、数据压缩和特征提取等问题的重要手段。传统非负矩阵分解算法大多采用欧几里得距离来度量重构误差,尽管其在许多任务中已经显示出有效性,但在解决实际应用问题时仍面临着聚类效果欠佳、收敛速度慢、稳定性较差等问题。为解决这些问题,文中采用Lp范数作为非负矩阵分解的损失函数,通过调节系数p来获得更好的聚类结果。基于协同优化理论和Majorization-Minimization算法,使用粒子群优化算法来并行求解基于Lp范数的非负矩阵分解问题,并在多个真实数据集上验证了所提方法的可行性和有效性。实验结果表明所提算法明显提升了程序的执行效率且一系列评价指标均优于传统非负矩阵分解算法。

非负组稀疏约束优化问题的最优性条件

基于Bouligand意义下的切锥与法锥和Clarke意义下的切锥与法锥,该文研究了非负组稀疏约束优化问题的最优性理论.该文定义了非负组稀疏约束集的Bouligand切锥与法锥和Clarke切锥与法锥,并给出了它们的等价刻画形式.在目标函数连续可微的条件下,借助于非负组稀疏约束集的切锥和法锥,给出了该优化问题的四类稳定点的定义,并讨论了它们之间的关系.最后,建立了非负组稀疏约束优化问题的一阶和二阶最优性条件.

自编码模块化增强非负矩阵分解社区检测算法

社区检测一直是网络分析中的重点研究方向之一。目前大多数网络社区检测算法主要利用网络的结构信息采用贪心算法使某一指标最大化,无法充分考虑节点特征信息、边权重以及网络社区间关系不对称性等问题。针对这一情况,提出一种自编码模块化增强非负矩阵分解(autoencoder-like modularity nonnegative matrix factorization,AMNMF)社区检测算法。该算法通过采用类编码器结构拓展非负矩阵分解的深度,将模块度和图正则化器引入到非负矩阵分解的目标函数优化过程中以充分挖掘网络中的节点和社区结构信息,通过在编码器中间层添加正交约束解决了社区间关系不平衡的问题。在多个真实网络上的实验表明:AMNMF是一种有效地利用节点特征信息和网络结构信息的NMF拓展算法,与基线算法的最佳结果相比实现了约15%至122%的提升,能够准确有效完成社区检测任务。

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。