非负矩阵合成算法的分析和研究.pdf

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。 法对对称自然图像数据进行训练，结果可以收敛到自然图像的基向量。NNSC算法可以 成功地提取出自然图像的特：征，很大部分的基向量在空间中体现了局部性和方向性，并 常遇到瓶颈问题，提取的特：征矩阵不稀疏，该方法提高稀疏性，降低了时间。加权的的 非负矩阵分解算法(WNMF)．，提高了重要信息的权重降低了非重要信息的权重，避免了 有改变了LDA的小样本问题。 非负矩阵分解算法的分析和研究 关键词：数据降维，NMF(非负矩阵分解)，LPP(局部保留映射)，图像检索， K-means聚类 辽宁师范大学硕士学位论：艾 Researchand on matrixfactorization AnalysisNonnegativ7e Abstact to Withthe needtofacealotofinformation developmentof,；ocietypeoplealways theinformation data continuouslyimtprove processingcapabilities．Becausehigh—dimensional is alotof issues．tow—dimensionaldata wouldliketO processingfacing complex processing．1 finda dimensionaldatawithlow—dimensionaldatais thesamecharacteristics． high essentially Thusfacedwiththe datadowntothelow-dimensionalhave high—chmcmsional data，there been ofa toolfor new reduction popularlearningalgorithm method，the