基于J-NMF算法的作者类团划分研究

[目的/意义]为提高作者类团划分的可靠性,针对作者类团划分研究方法缺乏融合作者多源信息、无用信息干扰严重的现状,文章提出一种基于J-NMF算法的作者类团划分方法。[方法/过程]以图书情报学领域154位高产作者为研究对象,利用BICOMB软件生成作者合著矩阵;通过LDA主题提取,构建反映作者文献内容信息的作者主题矩阵;最后,通过J-NMF算法将作者合著信息与作者文献内容信息进行有效融合。[结果/结论]实验表明,相比利用单一作者合著信息和通过融合函数实现的类团划分法,该方法能够有效降低干扰信息,识别相似作者的可靠性更高,作者类团划分能力更强。

基于Harr-NMF特征的车辆检测算法研究

为了提高车辆检测的准确率和效率,为智能交通系统提供可靠的参考信息,针对传统Harr特征车辆检测算法存在特征向量维数过大、训练时间过长的问题,提出采用非负矩阵分解Harr特征得到低维的Harr-NMF特征,对Harr-NMF特征分类并由Adaboost算法训练得到基于Harr-NMF特征的车辆分类器,对车身进行有效识别。针对实车测试时出现的重复检测、错误检测等问题,进一步优化了算法。测试结果表明,改进后的算法提高了车辆检测率并有效降低了误检率。

基于Contourlet变换和NMF的掌纹识别算法

提出一种基于Contourlet变换和非负矩阵分解(NMF)的掌纹识别算法。通过对源图像Contourlet进行小波变换,将提取出的低频分量用NMF法提取特征值,用最近邻方法进行分类。实验结果表明,该算法较单纯的NMF和2DPCA等算法识别性能有较大提高,能较好地捕捉图像的边缘信息。

PCA联合字典的稀疏系数NMF融合

为了减少混合像元对字典建立的影响,结合在线字典学习法与主成分分析(principal component analysis,PCA)法提取全色与各分解影像字典的第一主成分分量构成PCA联合稀疏字典。该字典包括多光谱影像特征与高空间分辨率影像特征,同时考虑到了混合像元问题。使用PCA联合稀疏字典进行正交匹配追踪法(orthogonal matching pursuit,OMP)计算,分别得到全色与多光谱影像的稀疏系数,采用非负矩阵分解(nonnegative matrix factor,NMF)融合算法得到融合影像的稀疏系数,进行重构生成融合影像。对字典矩阵大小的研究,考虑到重构图像的均方根误差与计算机运算的限制,最终确定稀疏字典矩阵大小为64像元×480像元。采用5种定量融合评定指标对本文方法与联合字典NMF方法、小波方法和PCA方法的影像融合结果进行分析比较,结果表明本文方法既可提高融合影像的纹理细节信息,也能较好地保持多光谱信息,获得更好的融合效果。

基于PGM-NMF的网络流量异常检测研究

通过对网络流量数据进行采样,小波空间变化过滤噪声,构建了基于信息熵的网络流量矩阵,使用PGM-NMF算法对网络流量矩阵进行分解,构建的基于非负子空间方法的残余矩阵,应用Q图实现网络流量的异常检测。理论分析及实验结果表明,与PCA方法相比,PGM-NMF算法在网络流量的异常检测中具有较好检测性能。

基于Haar-NMF特征和级联AdaBoost的脱岗检测算法

针对值班室人员的岗位执勤情况进行实时检测的需求,设计了一种脱岗检测系统,它使用低维的Haar-NMF特征代替Haar特征的方法以减少计算量,同时采用级联分类器代替单一的分类器结构以提高检测的准确性。该系统分为训练和测试两个部分,训练部分包括利用非负矩阵分解对Haar特征进行降维生成Haar-NMF特征和级联AdaBoost分类器的训练,经过数次训练后得到的各弱分类器根据训练过程中的权值加权组成一个强分类器,该分类器具有较高的学习效率,检测速度有明显提升。测试部分根据实际检测效果中存在的误检情况对检测算法进行修正和优化。实验验证了该系统具有相当高的检测率和较低的误检率,有助于避免在岗位无人值守时发生意外及损失财产。

混合矿物高光谱曲线的NMF盲源解混算法研究

高光谱检测是物质定性识别的重要手段,光谱解混是高光谱分析识别的关键。针对化合物或矿物混合光谱分析不准确的问题,采用非负矩阵分解(NMF)盲源解混方法,建立了一种基于加权NMF高光谱反射曲线的盲源解混分离方法,用于矿物混合后高光谱的分解与识别。假设混合光谱模型是多种组分光谱按比例组合的线性方程,该算法以混合光谱与组分光谱基向量光谱角余弦值为初始权,采用最小欧氏距离和重加权稀疏约束来建立组合条件从而促进解混矩阵的稀疏性,开展方程的NMF约束迭代计算,最终分解出矿物混合光谱的源光谱基向量和丰度矩阵。选取化学纯的氧化铜和氧化亚铜、碱式碳酸铜和氢氧化铜、孔雀石和蓝铜矿三类混合物的高光谱曲线为试验对象,经过均值化和白化等数据预处理后,进行基于加权NMF高光谱反射曲线的盲源解混试验,并以解混性能指数、光谱均方根误差和光谱角距离为评价指标分析算法的解混效果。结果表明,NMF解混方法的盲源解混效果十分明显,在未知混合光谱先验条件基础上,可以准确分离出源光谱特征,样本分离精度均小于0.15。解混后光谱与源光谱的曲线整体变化趋势相同,保持了源光谱相似的吸收位置和吸收峰,但是对应吸收位置存在微小偏移,解混后光谱与源光谱在反射率数值上存在明显的差异。对混合光谱数据加入5%~15%的高斯噪声后,再进行基于加权NMF解混处理。发现混合光谱解混分离的精度随着噪声增大只有微小减小,解混后光谱角距离以及均方根误差并未发生明显的变化,说明NMF解混算法具有较好抗噪性能,对实测非纯物质光谱解混具有一定适用性,可以作为矿物混合后组分识别与分离鉴定的基础方法。

一种基于核心向量机的分层入侵检测模型

近年来,网络攻击类型变得越来越复杂,传统的网络入侵检测模型仍然存在一些缺陷,难以正确分类每一种类型的攻击。提出一种基于核心向量机的分层网络入侵检测模型,第一个分类器和第二个分类器以数据集的特征作为输入,将网络流量分为攻击或正常。第三个分类器使用前两个分类器的输出和初始数据集的特征作为输入。该模型旨在正确分类每一种攻击并提供低误报率和高检测率。在NSL-KDD和UNSW-NB15数据集上进行实验,实验结果证明该模型提高了分类性能,与现有方法相比该模型在准确性、检测率、误报率和时间开销等方面具有竞争优势。

面向现场异动检测的智能作业识别系统设计

为了保障电力现场作业人员的安全并有效规避异动风险,设计了一套面向现场异动检测的智能作业识别系统。系统采用微处理器搭配图像采集、红外成像和无线传输等模块作为硬件基础。针对异动场景识别的复杂性,提出了一种面向现场异动的新型检测识别算法作为系统的核心。该算法融合了CNN及人脸识别NMF算法,使系统能够快速、准确地采集并识别异动信息,进而完成实时预警。实验测试结果显示,该系统对异动风险的平均识别速率约为134 ms,而平均识别准确率可达90.61%。

一种实用快速非负矩阵分解算法

提出了一种基于快速非负矩阵分解算法的实用新算法.该实用快速非负矩阵分解算法扩展了快速非负矩阵分解算法的约束条件,并且保持了较高的收敛速度,更具一般性和实用性.然后对该新算法进行了一些稀疏非负矩阵分解的扩展应用.数值实验显示该实用快速非负矩阵分解算法和快速非负矩阵分解算法具有相近的收敛速度,与其他经典非负矩阵分解算法相比其收敛速度有明显的提高,同时对添加稀疏性约束条件的实验也有很好的效果.

非负矩阵分解在免疫入侵检测中的优化和应用

针对免疫入侵检测数据处理速度慢以及检测实时性差的问题,提出Bregman非负矩阵分解算法,采用Bregman迭代方式改进传统非负矩阵分解过程,优化矩阵迭代过程,利用矩阵本地化方法分解矩阵,增加矩阵的约束,保留检测数据内部结构并且加快数据的处理速度。在KDD CUP 1999数据集上的仿真结果表明,该算法有效提高了入侵检测速度,增强了免疫入侵检测的时效性。

基于聚类优化的非负矩阵分解方法及其应用

针对不断增加的机电系统运行状态信息,传统的特征提取和选择方法已无法满足需求。根据非负矩阵分解典型算法的特点,基于非负矩阵分解的聚类特性,提出了一种面向故障诊断的分解方法。通过分类能力和迭代效率的对比分析,选择了相关性约束和稀疏性约束的改进型交替最小二乘迭代算法,确定了低维嵌入维数及迭代初始化方法,在UCI测试数据集和TEP系统的特征选择应用中验证了该方法的有效性。

基于多特征融合和Boosting RBF神经网络的人脸识别

提出一种多特征信息融合的人脸识别方法。应用Zernike矩方法和非负矩阵分解法(NMF)分别提取具有旋转不变性的人脸几何特征和人脸子空间投影系数特征,将这两种具有一定互补性的特征串行融合,得到一个分类能力更强的特征。在此基础上,采用RBF神经网络进行人脸识别。为了提高神经网络的分类准确率和泛化能力,采用Boosting方法进行网络集成。实验结果表明,提出的算法利用较少样本数据即可快速地进行人脸识别。

一种基于L_1稀疏正则化和非负矩阵分解的盲源信号分离新算法

针对线性混合模型下的盲源分离这一反问题,提出了一种结合迭代正则化和非负矩阵分解的交替最小化算法.首先把该问题转化为有界约束的二次规划,然后采用了一种自适应BB(Barzilai-Borwein)步长的投影梯度算法来求解.该方法不仅可减少存储量,提高算法速度,而且还很好地刻画了信号的稀疏性和独立性.理论分析和数值试验都验证了该方法的有效性,对混合的二维图像能提高分离的信干比.

一种非负矩阵分解的快速方法

针对超高维数据进行非负矩阵分解的计算代价大,特征提取速度慢问题,提出一种非负矩阵分解的快速算法。该算法通过代数变换,把对原高维矩阵的非负分解转换成非负的低维矩阵的非负分解,其求解过程只需要对一个阶数等于样本数的对角矩阵进行非负矩阵分解,同时提取某样本特征时只需要计算该样本与所有训练样本的内积。对高维小样本的基因表达数据降维后进行k均值聚类分析,实验结果表明,该算法在不影响非负矩阵分解性能的前提下,大大提高了计算速度。

基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型

变压器油中溶解气体浓度是评估变压器绝缘状态的重要依据,对气体浓度进行有效预测,可以及时识别变压器潜伏性故障。文中提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)与改进极端学习机(extreme learning machine,ELM)组合的变压器中溶解气体浓度预测模型。该方法通过NMF算法对输入样本进行分解,同时引入Adaboost算法对极端学习机进行改进;将低维矩阵作为模型的训练样本输入,剔除冗余数据,提高预测精度。实例分析结果表明,文中提出的方法能有效地降低输入样本维数,提高预测精度,能较好地解决变压器油中溶解气体浓度预测问题。

基于粒子群优化的非平滑非负矩阵分解算法

传统的非平滑约束的非负矩阵分解算法(nsNMF)在处理高光谱数据时,存在对初始值敏感、容易陷入局部最优值等缺陷。为此,提出一种基于粒子群优化(PSO)的nsNMF算法。采用传统nsNMF算法迭代的结果作为初始值,以避免PSO的盲目搜索。通过PSO搜索端元光谱矩阵,利用nsNMF算法更新端元光谱矩阵和丰度矩阵,以缩小搜索空间,降低计算复杂度,避免陷入局部最优。在合成数据集和真实数据集上的实验结果表明,与传统nsNMF算法相比,该算法能获得更好的全局最优解,端元光谱和丰度值更接近真实值。

基于降噪关系正则化的微博用户标签推荐

现有微博用户标签推荐方法大多依靠好友关系或内容进行推荐,并不能解决微博中存在的从众关系(噪音关系)及用户标签稀疏问题.因此,文中提出基于降噪关系正则化的微博用户标签推荐算法.通过LDA对用户的博文进行主题分析,衡量用户好友兴趣相似度,降低无共同兴趣的好友对目标用户的影响.将得到的降噪关系作为正则化项引入到用户标签非负矩阵分解模型中,解决用户标签稀疏问题.通过拉格朗日乘子法和KKT条件对模型进行优化和约束,最终得到近似的用户标签矩阵,为用户进行标签推荐.实验表明文中算法推荐质量较优.

基于迁移孪生非负矩阵分解的静脉识别算法

针对某一静脉图像数据集下获得的识别算法对于其他数据集缺少普适性的问题,提出了一种具有迁移性的孪生非负矩阵分解(NMF)模型。首先,通过采用两个结构相同且参数共享的NMF模型实现了对源数据集中带有相同标签静脉图像的有监督学习;然后,通过使用最大均值差异约束降低了不同数据集之间静脉特征的差异性,即将源数据集中的知识迁移至目标数据集中;最后,基于余弦距离实现静脉图像的匹配。实验结果表明,所提的识别算法不仅可以在源数据集下上获得较高的正确识别率,而且仅利用目标数据集中的少量静脉图像便可使得在目标数据集上的平均错误接受率(FAR)与平均错误拒绝率(FRR)分别降低至0.043与0.055。此外,所提算法平均0.56 s的识别时间可以满足识别的实时性要求。

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.