非负矩阵分解新方法研究-信号与信息处理专业论文.docxVIP

摘 摘 要 摘 要 海量数据处理是目前科学研究亟待解决的关键技术问题，如何将高维数据约 减为潜在结构清晰的低维数据是研究的热点和难点。非负矩阵分解（Nonnegative Matrix Factorization，NMF）是一种有效的海量非负数据处理方法，具有实现简单、 分解速度快以及分解结果有明确物理意义等优点，已成为高维数据降维分析领域 的重要研究方向。本文在对现有 NMF 算法深入分析和研究的基础上，提出了以下 非负矩阵分解的改进方法： （一） 一种 数 据 流 式 的 非 负 矩 阵 分 解 （ Data Stream Nonnegative Matrix Factorization，DSNMF）方法。在矩阵规模增大时，对增加的矩阵进行 NMF 分解， 将分解得到的基矩阵与原始矩阵分解得到的基矩阵连接成一个新矩阵，进行 NMF 分解，并通过矩阵变换得到矩阵增大后的系数矩阵。实验结果表明，本方法相比 同类方法，有效减少了降维时间，增强了低维特征的稀疏性和可解释性，提高了 人脸识别率。 （二）一种正交指数约束的平滑非负矩阵分解（Smooth Nonnegative Matrix Factorization with Orthogonal Exponent Constraints，OESNMF）方法。将非负矩阵 分解为基矩阵、列归一化平滑矩阵和系数矩阵之