类标约束下的非负矩阵分解算法的研究.pdfVIP

代 号 10701 学 号 1075190203 分 类 号 TP391 密 级 公开 U D C 编 号 题 （中、英文）目 类标约束下的非负矩阵分解算法研究 Research on Nonnegative Matrix Factorization with Label Constraints 作者姓名 马文涛 学校指导教师姓名职称 姬红兵 教授 工程领域 电子与通信工程 企业指导教师姓名职称 黄烨东 高工 论文类型 技术论文 提交论文日期 二〇一三年一月 摘 要 I 摘 要 非负矩阵分解(NMF)算法因其所具有的非负约束和局部表示特性，逐渐成为 一种处理非负数据的重要方法，其局部构成整体的思想符合人类对事物的认知习 惯，因此受到科研人员的极大关注，并被广泛应用于数据挖掘、计算机视觉和模 式识别等领域。本文中重点研究了非负矩阵分解算法及其在类标约束问题上的应 用。 在聚类和分类问题中，为了使矩阵分解结果满足客观需要，或者使用数据的 先验知识，通常需要对 NMF 算法分解结果施加辅助约束，如稀疏性、正交性和 判别性等。本文研究了几种正交性限制条件，并分析了正交限制条件对约束非负 矩阵分解算法(CNMF)的影响。 对于半监督模型下的非负矩阵分解问题，CNMF 算法根据部分数据的类标信 息对分解结果进行强制约束。但是这种强制约束条件仅考虑已知类标数据，并没 有使用全体数据的结构信息，针对这一问题，本文提出一种软约束算法，将类标 传播算法(LP)和CNMF 串联，以充分利用数据的结构信息；此外，本文还提出一 种使用图结构的约束非负矩阵分解算法(CGNMF) ，该算法不但保留全体数据的结 构特征，而且使用已知类标数据的判别信息。实验结果表明，在半监督聚类中， 这两种算法在聚类准确率和归一化互信息两项指标上均优于CNMF 算法。 张量分解算法是一种数据挖掘领域常用的分析方法，本文研究了基于CP 模型 的非负张量分解算法(NTF) ，并分别将两种目前流行的非负矩阵分解算法推广到 张量形式。 关键词： 非负矩阵分解 半监督学习 流形学习 类标约束 非负张量分解 Abstract III Abstract Nonnegative matrix factorization (NMF), with its psychological intuition of combining parts to form a whole, has become a popular method in finding parts-based, linear representation of non-negative data. It attracts many researchers’ attention and has been widely used in data mining, computer vision and pattern recognition problems. In this thesis, we emphasize the application of NMF in label constrained problem. For clustering or classif