非负矩阵分解算法的分析和的研究.pdfVIP

辽宁师范大学硕士学位论：艾 摘 要 随着社会的发展人们总需要面临大量的信息，要求对信息的处理能力不断提高。因 为，高维数据在处理时会面临着：很多复杂问题，低维数据在处理时简单的多。所以想找 到高维数据与低维数据本质上具有相同的特点。从而面临着高维数据下降为低维数据的 问题，就出现了一种新型的降维方法工具流行学习算法，其目标是找到嵌入在高维数据 空间的低维流行结构，并得到一个有效的低维表示。 目前，流行应用到数据挖掘，人类基因分布，模式识别，人脸识别等多个领域中， 由于所面对的问题不同提出的降维方法也有所不同，其中可以分为线性的降维方法主成 方法。 本文的主要工作是研究非负矩阵分解和局部保留映射，分析了它们的优缺点使高维 数据得到更好的应用。NMF是一种近年来常用的降维方法。NMF在图像检索，人脸识别 和信号处理等方面得到广泛的应用，其分解后所产生的分量的非负性要求，使数据处理 得到很好的效果。NMF在分解过程中未考虑到数据的内在几何性质和局部结构，就存在着 不能准确的处理数据的问题。提出一种把NMF与LPP相结合的降维方法。该方法应用在 图像检索上，因为LPP能够保留数据的内在几何性质和局部结构，降低影响图像检索的 的因素，从而提高了图像检索的效率。 法对