联合混合范数约束和增量非负矩阵分解的目标跟踪

针对当前目标跟踪算法因光照变化、部分遮挡、姿态变化以及背景杂乱等因素引起的跟踪漂移问题,联合混合范数约束和增量非负矩阵分解,提出一种目标跟踪算法。通过对目标的非负矩阵分解获得其局部结构信息,有效应对局部遮挡,同时达到降维目的。通过稀疏描述下的混合范数约束进一步抑制外界环境的干扰,并利用加速近似梯度算法迭代求解优化问题。为更好地满足实时精准跟踪的需求,应用遮挡检测及在线更新策略读取跟踪目标位置。在粒子滤波跟踪框架中的实验结果显示,相比IVT、多示例学习、Frag和L1APG跟踪算法,该算法的鲁棒性更好。

基于L_(1/2)范数约束增量非负矩阵分解的SAR目标识别

增量非负矩阵分解(INMF)随目标样本增加逐渐更新分解模型,能够有效解决NMF算法的计算代价随样本增加而成倍增长的问题。然而INMF在使NMF具备增量学习能力的同时,并未考虑NMF分解矩阵的稀疏性对识别性能的提升作用。针对上述问题,提出基于L1/2范数约束的增量非负矩阵分解(L1/2-INMF)算法,并应用于SAR目标识别。L1/2-INMF采用L1/2范数实时约束增量过程中的NMF分解矩阵,能够在不增加计算复杂度的同时,提升识别性能。针对MSTAR数据集的仿真实验结果表明,提出的L1/2-INMF能够解决传统非负矩阵分解方法计算代价随样本增加而增加的问题。

基于图正则化和稀疏约束的增量型非负矩阵分解

非负矩阵分解(Nonnegative Matrix Factorization,NMF)不仅可以很好地描述数据而且分解后的矩阵具有直观的物理意义。为了提高算法的有效性和识别率,提出了一种更为合理的算法——基于图正则化和稀疏约束的增量型非负矩阵分解(Graph Regularized and Incremental Nonnegative Matrix Factorization with Sparseness Constraints,GINMFSC)。该算法既保持了数据的几何结构,又充分利用上一步的分解结果进行增量学习,而且对系数矩阵施加了稀疏性约束,最后将它们整合于单个目标函数中,构造了一个有效的更新算法。在多个数据库上的仿真结果表明,相对于NMF,GNMF,INMF,IGNMF等算法,GINMFSC算法在降低运算时间的同时,还具有更好的聚类精度和稀疏性。

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.