一種流行正則和鑒別信息最大化的非負矩陣分解方法技術

本發明專利技術公開了一種流行正則和鑒別信息最大化的非負矩陣分解方法，包括計算數據集X=[x1,Λ,xN]的p近鄰權矩陣W；然后根據A）步驟中所得的p近鄰權矩陣W，計算拉普拉斯矩陣L＝D-W，所述D為對角矩陣且計算M矩陣；通過迭代規則計算基向量矩陣和編碼向量矩陣四個主要步驟。本發明專利技術方法的優勢在于：在進行非負矩陣分解時，本發明專利技術利用流行正則項保持數據潛在流行結構的同時，最大化基向量中的類間重要鑒別信息，從而使得分解后得到的編碼向量更具數據表示能力。

【技術實現步驟摘要】

本專利技術涉及數據表示，具體涉及流行正則和鑒別信息最大化的非負矩陣分解方法。
技術介紹
非負矩陣分解(NMF)是一種常用的矩陣分解方法，它是將矩陣分解為兩個非負矩陣的乘積形式，非負矩陣分解因為只能進行純加性的組合運算，所以常被解釋成是一種基于部分的數據表示方法，這與常用的奇異值分解、主成份分析和獨立成份分析完全不同。目前，非負矩陣分解在計算視覺、模式識別和文本挖掘等方面獲得了巨大應用，特別是在人臉識別、文本表示方面。 許多學者對非負矩陣分解方法進行了深入研究，提出了多種改進的非負矩陣分解方法，如半非負矩陣分解(Sem1-NMF)、凸非負矩陣分解(Convex-NMF)和圖正則的非負矩陣分解(GNMF)等。圖正則的非負矩陣分解方法將數據矩陣分解為基向量和對應編碼向量乘積，認為編碼向量是數據集在基向量下的一種數據表示，進而引入一正則項使得編碼向量保持數據潛在的流行結構，最終獲得了較好的效果。實際上，基向量中包含了類間的重要信息，這對分類和聚類等機器學習任務起著重要的作用，但這些信息如何在非負矩陣分解中獲得利用卻是未知，此外，基向量中的類間信息引入到圖正則的非負矩陣分解方法，對其將是一種有益的補充，這些都需要人們去研究。
技術實現思路
本專利技術的目的是在非負矩陣分解時利用基向量中的類間重要信息，同時保持數據潛在的流行結構，提供，使得本專利技術所獲得的編碼向量具有更好的數據表示能力。為實現上述目的，本專利技術提出了，包含如下步驟A):首先計算數據集X = [X1, A，χΝ]的P近鄰權矩陣W,計算方法為

【技術保護點】
一種流行正則和鑒別信息最大化的非負矩陣分解方法，其特征在于：包含如下步驟：?A）：首先計算數據集X=[x1,Λ,xN]的p近鄰權矩陣W，計算方法為：?或?其中，N(xi)和N(xj)分別是xi和xj的p個近鄰子集，σ為常量；?B）：然后根據A）步驟中所得的p近鄰權矩陣W，計算拉普拉斯矩陣L=D?W，所述D為對角矩陣且C）：計算M矩陣?其中，K為類別數，E為K階全1陣，I為K階單位陣；?D）：通過迭代規則計算基向量矩陣和編碼向量矩陣其中，λ1和λ2是兩個控制參數。?FDA00002529940800011.jpg,FDA00002529940800012.jpg,FDA00002529940800013.jpg,FDA00002529940800014.jpg,FDA00002529940800015.jpg,FDA00002529940800016.jpg,FDA00002529940800017.jpg,FDA00002529940800018.jpg,FDA00002529940800019.jpg

【技術特征摘要】
1. 一種流行正則和鑒別信息最大化的非負矩陣分解方法，其特征在于包含如下步驟A):首先計算數據集X=Iix1, A，χΝ]的P近鄰權矩陣W,計算方法為2.如權利要求1所述的一種流行正則和鑒別信息最大化的非負矩陣分解方法，其特征在于所述C)步驟中計算M矩陣的步驟包括O首先設定基向量矩陣U = [^.]e )v中各個列向量uk在某種程度上代表了各類中2)然后將類間信息表示為3.如權利要求1所述的一種流行正則和鑒別...

【專利技術屬性】
技術研發人員：蔣云良，胡文軍，王娟，王培良，顧永跟，
申請(專利權)人：湖州師范學院，
類型：發明
國別省市：