非负矩阵分解的稀疏性模子及初始化研究.pdf

摘 要 非负矩阵分解(NMF)，作为一种从高维数据中找寻低维表示的技术，在 现实生活中有广泛的应用需求。由于模型非负性和分解的叠加性，NMF往往能 产生数据基于部分的非负表示，从而在现实应用中具有很好的现实物理意义。 由此引发了对该类问题研究的广泛关注，发展出了一系列的算法技术。 本文介绍了非负矩阵模型(NMF)的基本问题及研究现状，回顾和阐述了非 负矩阵分解的各类算法的想法和实现步骤。然后本文转到一种基于图的非负 矩阵分解模型(GNMF)，提出了添加稀疏化正则的非负矩阵分解模型RGNMF， 并推导了相应的算法公式。在实验部分，我们对RGNMF模型与GNMF模型进 行了比较。RGNMF模型在稀疏性上有明显的改善。在一个聚类问题上，本文 提出的模型RGNMF相比GNMF模型有更好的聚类表现。最后，本文比较了几 种较好的初始化策略。发现在模糊聚类的初始化方法中，对H矩阵采用随机初 始和归一化处理，比单纯地采用模糊聚类结果：UT，来初始化日，要有好的表 现。实验结果也显示，在迭代步足够多时，这几类初始化方法最终效果趋于一 致。 关键词：非负矩阵分解，稀疏性，降维 Abstract Asa for lowdimensional technology of obtaining representationextremely dimension high matrixfactorizationhas data，nonnegative awide applications． Forthe constraintonthe nonnegative solutionandadditive decomposition．NMF creates always parts-based in tohavea representations，SO reality goodphysical riseto meaning．This concernaboutthe gave widespread kindof problem．de- aseriesof the veloped initialiterationof algorithms，from tothe multiphcation second-order showdifferent in rate optimization．Theyperformance convergence and the intoaccountthedifferent approximation．Taking statistical of