几何结构保持非负矩阵分解的数据表达方法
文献类型：期刊论文
| 作者 | 李冰锋 ; 唐延东; 韩志
|
| 刊名 | 信息与控制
 |
| 出版日期 | 2017 |
| 卷号 | 46期号:1页码:53-59, 64 |
| 关键词 | 非负矩阵分解 结构保持 图正则化 补空间 图像聚类 |
| ISSN号 | 1002-0411 |
| 其他题名 | A Geometric Structure Preserving Non-negative Matrix Factorization for Data Representation |
| 产权排序 | 1 |
| 通讯作者 | 李冰锋 |
| 中文摘要 | 作为一种线性降维方法，非负矩阵分解（NMF）算法在多个场合均有应用；但NMF算法只能在欧氏空间上进行语义分解，当输入数据是嵌入在高维空间的低维流形时，NMF会引入较大的分解误差。为解决此问题，本文提出了一种基于几何结构保持的非负矩阵分解算法（SPNMF）。在SPNMF算法中，我们将局部近邻样本点间的相似性关系的保持和远距离非近邻样本点间的互斥性关系的保持引入到NMF框架；并把非负矩阵分解的求解问题转化为数值优化问题，然后用交替优化的方法对SPNMF算法进行了求解。相对于NMF，SPNMF算法拥有更多的数据分布的先验知识，因此SPNMF算法可以获得一种更好低维数据表达方式．在人脸数据库上的试验结果表明，相对于NMF及其它的改进算法，SPNMF算法具有更高的聚类精度。 |
| 英文摘要 | As a linear dimensionality reduction technique, non-negative matrix factorization (NMF) has been widely used in many fields. However, NMF can only perform semantic factorization in Euclidean space, and it fails to discover the intrinsic geometrical structure of high-dimensional data distribution. To address this issue, in this paper, we propose a new non-negative matrix factorization algorithm, known as the structure preserving non-negative matrix factorization (SPNMF). Compared with the existing NMF, our SPNMF method effectively exploits the local affinity structure and distant repulsion structure among data samples. Specifically, we incorporate the local and distant structure preservation terms into the NMF framework and then give an alternative optimization method for SPNMF. Due to prior knowledge from the structure preservation term, SPNMF can learn a good low-dimensional representation. Experimental results on some facial image dataset clustering show the significantly improved performance of SPNMF compared with other state-of-the-art algorithms. |
| 收录类别 | CSCD |
| 语种 | 中文 |
| CSCD记录号 | CSCD:5929439 |
| 源URL | [http://ir.sia.cn/handle/173321/20227]  |
| 专题 | 沈阳自动化研究所_机器人学研究室 |
| 推荐引用方式 GB/T 7714 | 李冰锋,唐延东,韩志. 几何结构保持非负矩阵分解的数据表达方法[J]. 信息与控制,2017,46(1):53-59, 64. |
| APA | 李冰锋,唐延东,&韩志.(2017).几何结构保持非负矩阵分解的数据表达方法.信息与控制,46(1),53-59, 64. |
| MLA | 李冰锋,et al."几何结构保持非负矩阵分解的数据表达方法".信息与控制 46.1(2017):53-59, 64. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。