截断式鲁棒非负矩阵分解算法

非负矩阵分解算法(Nonnegative Matrix Factorization Algorithm,NMF)已经广泛地应用于诸多领域,但它容易受到异常点的影响.各种针对这个问题的改进方法中,使用L2,1范数的鲁棒非负矩阵算法(Robust Nonnegative Matrix Factorization Algorithm,RNMF)取得了较好的改进效果,但是该算法不能很好的适应数据集异常点比例的变化.针对这一缺点,提出了截断式鲁棒非负矩阵分解算法(Capped Robust Nonnegative Matrix Factorization Algorithm,CRNMF),将去噪比例ε值引入到目标函数中,降低异常点对整体算法的影响.该算法的主要步骤是:在矩阵分解迭代更新的每一步中,计算输入数据与分解因子重构值之间的误差,将误差大于预先设定参数值ε的数据点对应的误差截断为零,重复以上步骤直到收敛.通过ε截断操作,降低基矩阵F和系数矩阵G受异常点的影响.给出了CRNMF的算法描述,并且在模拟数据集和真实数据集进行了实验,实验表明提出的算法与传统的NMF和RNMF相比,可以在一定程度上提高聚类的准确度,减少了异常点对聚类准确度的影响,提高了算法的鲁棒性.

采用核鲁棒非负矩阵分解的执行器动态过程故障检测

作为流程工业中控制系统的重要组成部分,执行器的正常工作对确保生产过程的安全性和可靠性具有重要意义.针对处于动态调节中的执行器,提出一种基于核鲁棒非负矩阵分解(KRNMF)的故障检测方法.首先,利用正常状态下的历史数据构建流量特性曲线,获取完备的动态工况训练集.其次,为克服运行数据动态特征、非线性特征,在核非负矩阵分解的基础上引入稀疏误差矩阵,隔离异常数据.同时,构造新的SPE统计量并使用核密度估计确定其控制限.通过DAMADICS仿真、水箱平台以及火电厂减温水调节阀实际数据的对比实验,验证了该方法的有效性.

基于增量式鲁棒非负矩阵分解的短文本在线聚类

对社会化媒体产生的大量短文本进行聚类分析具有重要的应用价值,但短文本往往具有噪音数据多、增长迅速且数据量大的特点,导致现有相关算法难于有效处理.提出一种基于增量式鲁棒非负矩阵分解的短文本在线聚类算法STOCIRNMF.STOCIRNMF基于非负矩阵分解构建短文本聚类模型,通过l_(2,1)范数设计模型的优化求解目标函数提高鲁棒性,同时应用增量式迭代更新规则实现短文本的在线聚类.在搜狐新闻标题和微博短文本数据集上进行相关实验,结果表明STOCIRNMF不仅比现有代表性算法具有更好的聚类性能,而且能够有效对微博话题进行在线检测.

基于投影梯度方法的鲁棒流形非负矩阵分解算法

提出了一种基于投影梯度方法的鲁棒流形非负矩阵分解算法,该算法使用L21范数衡量矩阵分解的质量,因而对数据中的噪音和异常值不敏感,同时利用数据的几何结构并考虑局部不变性,将流形学习和非负矩阵分解算法相结合.分析了该算法的模型,并采用投影梯度方法得到该算法的更新规则,在若干个数据集上的实验结果及与其它非负矩阵分解算法和谱聚类算法的比较,证明了该算法的有效性.

背景音乐自动分离系统设计与实现

为了解决广播中背景音乐的提取、分离和鲁棒识别,考虑到广播语音中背景音乐的类型稳定性和说话人的不确定性,提出一种说话人无关背景音乐类型相关的语音和背景音乐分离算法,为了更好地分离音乐背景与语音信号,设计并实现了一个级联系统,即音乐背景下的语音活动检测系统加语音和背景音乐分离系统。针对实际的广播语料,采用一种全监督的方法提取背景音乐,实验数据表明,该系统在一定程度上能够提升背景音乐和语音的识别率。